deteksi kanker paru-paru dari citra foto …repository.unair.ac.id/25693/1/wulan, tri.pdf · lembar...

i

DETEKSI KANKER PARU-PARU DARI CITRA FOTO RONTGEN

MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION

SKRIPSI

TRI DEVIASARI WULAN

PROGRAM STUDI TEKNOBIOMEDIK DEPARTEMEN FISIKA

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA

2012

ADLN Perpustakaan Universitas Airlangga

Skripsi Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation

Tri Deviasari Wulan

ii

DETEKSI KANKER PARU-PARU DARI HASIL CITRA FOTO RONTGEN

MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION

SKRIPSI

Sebagai Salah Satu Syarat untuk memperoleh Gelar Sarjana Teknik Bidang

Teknobiomedik Pada Fakultas Sains dan Teknologi

Universitas Airlangga

Oleh :

TRI DEVIASARI WULAN

080810283

Tanggal Lulus : 8 Agustus 2012

Disetujui Oleh :

Pembimbing I

Dr. Moh. Yasin, M.Si. NIP. 196703121991021001

Pembimbing II

Endah Purwanti, S.Si.,M.T. NIP. 1977103120091220003



Tri Deviasari Wulan

iii

LEMBAR PENGESAHAN NASKAH SKRIPSI

Judul : Deteksi Kanker Paru-paru Dari Hasil Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Penyusun : Tri Deviasari Wulan NIM : 080810283 Pembimbing I : Dr. Moh. Yasin, M.Si. Pembimbing I : Endah Purwanti, S.Si.,M.T. Tanggal Seminar : 8 Agustus 2012

disetujui oleh :

Mengetahui,

Pembimbing I

Dr. Moh. Yasin, M.Si. NIP. 196703121991021001

Pembimbing II

Endah Purwanti, S.Si.,M.T. NIP. 1977103120091220003

Ketua Program Studi S1 Teknobiomedik F. Sains dan Teknologi UNAIR,

Dr. Retna Apsari, M. Si NIP. 196806261993032003

Ketua Departemen Fisika F. Sains dan Teknologi UNAIR,

Drs. Siswanto, M.Si NIP. 196403051989031003



Tri Deviasari Wulan

iv

PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi

kepustakaan, tetapi pengutipan harus seizing penyusun dan harus menyebutkan

sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik

Universitas Airlangga.



Tri Deviasari Wulan

v

Wulan, Tri Deviasari, 2012, Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation. Skripsi ini dibawah bimbingan Dr. Moh. Yasin, M.Si dan Endah Purwanti, S.Si, M.T., Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya

ABSTRAK

Pada penelitian ini dibangun suatu program aplikasi yang dapat mengelompokkan citra foto rontgen paru-paru ke dalam kategori normal, kanker paru-paru atau penyakit paru lain. Proses ini diawali dengan pengolahan citra yaitu cropping, resizing, median filter, BW labelling dan ekstraksi fitur menggunakan transformasi wavelet haar. Ekstraksi fitur citra foto rontgen menggunakan fitur energi dan koefisien setiap subband yang kemudian dijadikan masukan jaringan saraf tiruan backpropagation. Parameter yang digunakan untuk proses pelatihan dan pengujian menggunakan jaringan saraf tiruan backpropagation adalah hidden layer sebanyak 10, learning rate 0,1 dan target eror 0,001. Hasil pengujian jaringan saraf tiruan backpropagation dengan menggunakan data baru diperoleh tingkat akurasi sebesar 86,67 % dalam mendeteksi keabnormalan dari citra foto rontgen paru.

Kata Kunci : Kanker Paru, Foto Rontgen, Backpropagation



Tri Deviasari Wulan

vi

Wulan, Tri Deviasari, 2012, Lung Cancer Detection of X-Ray Image Using Backpropagation Neural Network. Skripsi were supervised of Dr. Moh. Yasin, M.Si and Endah Purwanti, S.Si, M.T., Physics Departement, Faculty of Sains and Teknology, Airlangga University, Surabaya

ABSTRACT

In this research has been built an application program that can classify X-Ray image of the lungs into normal, lung cancer or other lung diseases category. This process begins of image processing by cropping, resizing, median filter, BW labeling and feature extraction using haar wavelet transform. Features extraction of X-Ray image using feature of energy and coefficients of each subband is then used as input backpropagation neural networks. The parameters used for the training and testing backpropagation neural networks are 10 hidden layer, learning rate 0.1 and the target error 0.001. Test results backpropagation neural network using new data obtained at 86.67% accuracy rate in detecting abnormalities of the X-ray image of the lungs.

Keywords : lung cancer, x-ray, backpropagation.



Tri Deviasari Wulan

vii

KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT, atas segala nikmat dan

karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul

“Deteksi Kanker Paru-paru dari Citra Foto Rontgen menggunakan

Jaringan Saraf Tiruan Backpropagation”. Skripsi ini penulis susun sebagai

salah satu syarat untuk menyelesaikan studi di Program Studi Teknobiomedik,

Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga

Surabaya.

Skripsi ini disusun berdasarkan hasil studi pustaka pada beberapa jurnal

dan buku-buku diktat. Suatu kebahagiaan bagi penulis karena telah menuntaskan

skripsi ini, terlebih lagi skripsi ini dapat digunakan sebagai tambahan referensi

bagi adik-adik angkatan yang selanjutnya diharapkan bisa membantu dalam

penyusunan skripsi-skripsi dan menjadi tambahan ilmu pengetahuan khususnya

aplikasi di bidang peralatan medis di dunia kerja.

Skripsi ini terselesaikan berkat kerja keras, kerja sama dan kesungguhan

penulis serta berbagai pihak yang membantu dan mendukung secara fisik maupun

materil. Pada kesempatan kali ini tidak lupa penulis menyampaikan rasa terima

kasih sebesar-besarnya kepada :

1. Allah SWT yang telah memberikan nikmat dan amanah dalam kehidupan ini.

2. Kedua orang tua saya yang telah memberikan do’a restunya serta motivasi

yang tiada hentinya.



Tri Deviasari Wulan

viii

3. Bapak Drs.Siswanto,M.Si selaku ketua Departemen Fisika, Fakultas Sains

dan Teknologi Universitas Airlangga atas bantuan dan bimbingan yang

diberikan.

4. Ibu Dr. Retna Apsari,M.Si. selaku ketua Program Studi S-1 Teknobiomedik,

Fakultas Sains dan Teknologi Universitas Airlangga serta Penguji I Skripsi

atas bantuan, saran, motivasi dan dorongan yang berikan.

5. Bapak Dr. Moh. Yasin, M.Si. selaku Dosen Pembimbing I atas bimbingan

dan saran sehingga skripsi ini dapat terselesaikan.

6. Ibu Endah Purwanti, S.Si., M.T. selaku Dosen Pembimbing II atas atas

bimbingan, saran, nasihat dan motivasi yang diberikan sehingga skripsi ini

dapat terselesaikan.

7. Bapak Yhosep Gita Yhun Yhuwana, S.Si selaku Penguji II Skripsi atas saran

dan bimbingannya dalam penyempurnaan skripsi ini.

8. Kakak-kakakku untuk nasihat, dorongan dan motivasi yang tiada henti.

9. Bapak Ahmad Rizal atas bantuan data dan ilmu sehingga skripsi ini dapat

diselesaikan.

10. Teman-teman terbaikku Irma, Metex, Momo, Septi, Wita, Grace yang selalu

memberikan semangat dan tempat melepaskan kepenatan pikiran.

11. Teman-teman Teknobiomedik 2008 yang selalu memberikan dukungan dan

motivasi dalam menyelesaikan skripsi ini terutama pada Rima, Taufik, Talita,

Yudha, Ima, Donna, Ninik, Ary, Miranda dan teman-teman lain yang tidak

bisa disebut satu persatu.



Tri Deviasari Wulan

ix

12. Penghuni Kos GP66 mbak Vita, Dyah, Andri, Sofi yang setia telah menemani

dalam penulisan skripsi ini.

13. Semua pihak yang tidak bisa disebutkan satu persatu yang telah membantu

dalam penyusunan skripsi ini.

Penulis menyadari sepenuhnya bahwa Proposal Skripsi ini masih jauh dari

sempurna. Untuk itu, penulis menyampaikan permohonan maaf atas semua

kekurangannya. Saran dan kritik yang membangun sangat penulis harapkan demi

kelancaran penyelesaian proposal skripsi yang serupa untuk masa mendatang.

Semoga proposal ini dapat bermanfaat bagi pembaca. Terima kasih

Surabaya, 30 Agustus 2012

Penulis



Tri Deviasari Wulan

x

DAFTAR ISI

Halaman LEMBAR JUDUL ........................................................................................ i LEMBAR PERNYATAAN .......................................................................... ii LEMBAR PENGESAHAN ........................................................................... iii PEDOMAN PENGGUNAAN SKRIPSI ....................................................... iv ABSTRAK ................................................................................................... v ABSTRACT ................................................................................................. vi KATA PENGANTAR .................................................................................. vii DAFTAR ISI ................................................................................................ x DAFTAR GAMBAR .................................................................................... xii DAFTAR TABEL ........................................................................................ xiv DAFTAR LAMPIRAN ................................................................................. xv BAB I PENDAHULUAN 1.1 Latar Belakang ........................................................................................ 1 1.2 Rumusan Masalah ................................................................................... 4 1.3 Batasan Masalah ..................................................................................... 5 1.4 Tujuan dan manfaat Masalah ................................................................... 5

1.1.1 Tujuan Masalah .......................................................................... 5 1.1.2 Manfaat Masalah ........................................................................ 5

BAB II LANDASAN TEORI 2.1 Kanker Paru ............................................................................................ 6

2.1.1 Pengertian ................................................................................... 6 2.1.2 Gejala Kanker Paru-paru ............................................................. 6 2.1.3 Faktor Resiko Kanker Paru-paru ................................................. 7 2.1.6 Diagnosis Kanker Paru-paru ....................................................... 9

2.2 Foto Rontgen .......................................................................................... 10 2.2.1 Proses Terbentuknya Sinar-X ..................................................... 10 2.2.2 Interaksi Sinar-X dengan Material .............................................. 12 2.2.3 Pembuatan Citra dengan Sinar-X ................................................ 16 2.3 Pengolahan Citra .................................................................................... 16

2.3.1 Perbaikan Kualitas Citra ............................................................. 17 2.3.1.1 Thresholding .................................................................. 17 2.3.1.2 Filter Median.................................................................. 19 2.3.1.3 BW Labelling ................................................................. 20

2.3.2 Transformasi Wavelet ................................................................. 21 2.4 Jaringan Saraf Tiruan .............................................................................. 24

2.4.1 Struktur Dasar Jaringan Biologi .................................................. 25 2.4.2 Konsep Dasar Permodelan Jaringan Saraf Tiruan ........................ 26 2.4.3 Konsep Dasar Jaringan Saraf Tiruan ........................................... 27 2.4.4 Arsitektur Jaringan Saraf Tiruan ................................................. 27 2.4.5 Metode Backpropagation ............................................................ 30

2.4.5.1 Arsitektur Jaringan Saraf Tiruan ...................................... 30



Tri Deviasari Wulan

xi

Halaman

BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian .................................................................. 32 3.1.1 Tempat Penelitian ....................................................................... 32 3.1.2 Waktu Penelitian ........................................................................ 32 3.2 Bahan dan Alat Penelitian ...................................................................... 32 3.3 Metode Penelitian ................................................................................... 32 BAB IV HASIL DAN PEMBAHASAN 4.1 Tampilan Aplikasi ................................................................................... 49 4.2 Pengolahan Citra ..................................................................................... 52 4.1.1 Preprosessing ............................................................................. 53 4.1.2 Transformasi Wavelet Haar ........................................................ 56 4.3 Jaringan Saraf Tiruan Backpropagation .................................................. 58 4.2.1 Pelatihan Data............................................................................. 58 4.2.1.1 Uji Coba dengan Jumlah Hidden Layer 2 ....................... 59 4.2.1.2 Uji Coba dengan Jumlah Hidden Layer 4 ....................... 60 4.2.1.3 Uji Coba dengan Jumlah Hidden Layer 6 ....................... 62 4.2.1.4 Uji Coba dengan Jumlah Hidden Layer 8 ....................... 64 4.2.1.5 Uji Coba dengan Jumlah Hidden Layer 10 ..................... 66 4.2.1.6 Uji Coba dengan Jumlah Hidden Layer 12 ..................... 67 4.2.2 Pengujian Data Testing ............................................................... 70 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ............................................................................................. 73 5.2 Saran ....................................................................................................... 73 DAFTAR PUSTAKA .................................................................................. 75 LAMPIRAN ................................................................................................ 78



Tri Deviasari Wulan

xii

DAFTAR GAMBAR

No Judul Gambar Halaman 1. Kanker Paru-paru .............................................................................. 6 2. Kandungan Rokok ............................................................................. 7 3. Hasil Foto Kanker Paru dari Sinar-X ................................................. 10 4. Spektrum Cahaya .............................................................................. 11 5. Proses Terbentuknya Sinar-X Bremsstrahlung ................................... 11 6. Proses Terbentuknya Sinar-X Karakteristik ....................................... 12 7. Atenuasi Intensitas Radiasi Setelah Melalui Bahan ............................ 13 8. Proses Efek Fotolistrik ....................................................................... 14 9. Proses Hamburan Compton ............................................................... 14 10. Proses Produksi Pasangan .................................................................. 15 11. Thresholding ..................................................................................... 18 12. Filter Median ..................................................................................... 19 13. BW Labelling ..................................................................................... 21 14. Hasil Dekomposisi Perataan dan Pengurangan Pada Citra 2D ............ 22 15. Transformasi Wavelet 2D 1 Level .................................................... 23 16. Citra Hasil Wavelet Haar 2 Level ...................................................... 24 17. Struktur Dasar Jaringan Saraf Tiruan dan

Struktur Sederhana Sebuah Neuron................................................... 25 18. Model Tiruan Sebuah Neuron ............................................................ 26 19. Arsitektur Layer Tunggal................................................................... 28 20. Arsitektur Layer Jamak...................................................................... 29 21. Arsitektur Layer Kompetitif .............................................................. 29 22. Arsitektur Jaringan Backpropagation ................................................. 30 23. Diagram Alir Metode Penelitian ........................................................ 33 24. Diagram Alir Pengolahan Citra .......................................................... 34 25. Flowchart Algoritma Training Data .................................................. 42 26. Flowchart Algoritma Testing Data .................................................... 44 27. Rancangan Layar Menu Utama .......................................................... 45 28. Rancangan Layar Menu Training ...................................................... 46 29. Rancangan Layar Menu Testing ......................................................... 47 30. Rancangan Layar Menu Help ............................................................ 48 31. Layar Utama Aplikasi X-Ray ............................................................ 49 32. Layar Menu Training......................................................................... 50 33. Layar Menu Testing ........................................................................... 51 34. Layar Menu Help............................................................................... 52 35. Contoh Data Paru .............................................................................. 53 36. Data Hasil Thresholding .................................................................... 54 37. Data Hasil Filter Median.................................................................... 55 38. Data Hasil BW Labelling ................................................................... 56 39. Proses Dekomposisi Level Tujuh Menggunakan Wavelet Haar.......... 57 40. Hasil Vektor Ciri atau Fitur Citra ....................................................... 58



Tri Deviasari Wulan

xiii

41. Contoh Matriks Hasil Vektor Ciri Citra ............................................. 58 42. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 2 ..................................................... 59 43. Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 2 ..................................................... 60 44. Grafik Antara MSE dan Jumlah Epoh dari Variasi Hidden = 2 serta Epoh = 1000 ...................................................................................... 60 45. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 4 ..................................................... 61 46. Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 4 ..................................................... 61 47. Grafik Antara MSE dan Jumlah Epoh dari Variasi Hidden = 4 serta Epoh = 2000 ...................................................................................... 62 48. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 6 ..................................................... 62 49. Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 6 ..................................................... 63 50. Grafik Antara MSE dan Jumlah Epoh dari Variasi Hidden = 6 serta Epoh = 1000 ...................................................................................... 63 51. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 8 ..................................................... 64 52. Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 8 ..................................................... 65 53. Grafik Antara MSE dan Jumlah Epoh dari Variasi Hidden = 8 serta Epoh = 2500 ...................................................................................... 65 54. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 10 ................................................... 66 55. Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 10 ................................................... 67 56. Grafik Antara MSE dan Jumlah Epoh dari Variasi Hidden = 10 serta Epoh = 1500 ...................................................................................... 67 57. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 12 ................................................... 68 58. Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 12 ................................................... 69 59. Grafik Antara MSE dan Jumlah Epoh dari Variasi Hidden = 12 serta Epoh = 2500 ...................................................................................... 69 60. Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Seluruh Variasi Hidden Layer (2-12) .................................... 70



Tri Deviasari Wulan

xiv

DAFTAR TABEL

No Judul Tabel Halaman 1. Hasil Pengujian Data Testing ............................................................. 71



Tri Deviasari Wulan

xv

DAFTAR LAMPIRAN

No Judul Lampiran 1. Jadwal Penelitian ............................................................... 78 2. Data Testing ..................................................................... 79 3. List Program Pengolahan Citra .......................................... 82 4. Tempat Pengambilan Data ................................................. 86



Tri Deviasari Wulan

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kanker paru merupakan masalah kesehatan dunia. Dari tahun ke tahun, data

statistik di berbagai negara menunjukkan angka kejadian kanker paru cenderung

meningkat. Menurut WHO tiap tahun terdapat 1,2 juta penderita kanker paru baru

atau 12,3% dari seluruh tumor ganas dan terdapat 1,2 juta atau 17,8% penderita

kanker paru yang meninggal dari seluruh tumor ganas. Kanker paru bisa terjadi

pada pria maupun wanita. Insiden kanker paru pada pria menduduki urutan kedua

setelah kanker prostat, sedangkan pada wanita kanker paru menduduki urutan

ketiga setelah kanker payudara dan kanker serviks (Lestariningsih, 2010).

Merokok merupakan penyebab utama dari sekitar 90% kasus kanker paru-paru

pada pria dan sekitar 70% pada wanita. Semakin banyak rokok yang dihisap,

semakin besar resiko untuk menderita kanker paru-paru (Diananda, 2007).

Salah satu pemeriksaan kanker paru-paru adalah dengan menggunakan

pemeriksaan radiologi atau lebih dikenal dengan Sinar-X (foto Rontgen). Prinsip

kerja dari alat ini adalah berdasarkan difraksi sinar-x. Pengenalan dengan sinar-X

sederhana merupakan teknik yang paling sering digunakan. Citra dari Sinar -X

akan memberikan hasil yang berbeda antara paru-paru yang sehat dan yang tidak

sehat, seperti kanker paru-paru sekaligus stadium dari kanker paru-paru tersebut.

Namun, pemeriksaaan kanker paru-paru dari citra hasil foto Rontgen masih

memiliki kekurangan yaitu beberapa praktisi medis seperti dokter-dokter spesialis

paru-paru masih mengandalkan pengamatan visual dalam pembacaan hasil foto



Tri Deviasari Wulan

2

rontgen sehingga hasilnya sangat subjektif. Dokter spesialis paru-paru harus

melakukan pengamatan citra foto Rontgen secara teliti dan diagnosis yang benar-

benar akurat dalam deteksi kanker paru-paru pada pasien. Oleh karena itu

diperlukan perangkat lunak yang mampu mendeteksi kanker paru-paru sebagai

pembanding dari kerja para praktisi medis, sehingga perangkat lunak ini dapat

membantu keakuratan penentuan deteksi kanker paru-paru.

Beberapa penelitian telah dilakukan dalam menentukan kanker paru-paru

dengan beberapa metode. Penelitian telah dilakukan oleh Mohammaddiah et al.

(2010) tentang pengembangan algoritma Celular Neural Network (CNN) untuk

mendeteksi batas dan area kanker paru-paru dari citra X-Ray. Data yang

digunakan adalah 5 buah citra X-Ray yang kemudian diolah menggunakan CNN.

Hasil dari penelitian ini menunjukkan bahwa algoritma CNN dapat mendeteksi

batas dan area kanker paru-paru lebih akurat dari radiologis.

Penelitian lain juga telah dilakukan oleh Abdullah et al. (2012) dengan

merancang sebuah CAD (Computer Aided Diagnosis) menggunakan jaringan

saraf tiruan untuk mendeteksi dan mengklasifikasi kanker paru-paru pada citra X-

Ray. Jaringan saraf tiruan yang digunakan dalam penelitian ini adalah

backpropagation. Dari penelitian tersebut didapatkan hasil bahwa jaringan saraf

tiruan backpropagation telah berhasil digunakan untuk mengembangkan CAD

dalam mendeteksi dan mengklasifikasi kanker paru-paru dari citra X-Ray.

Penelitian selanjutnya dilakukan oleh Cen et al. (2008) dengan

menggunakan Hybrid Genetic Algoritm dan Backpropagation Neural Network

untuk mendiagnosis kanker paru-paru. Data yang digunakan dalam penelitian ini



Tri Deviasari Wulan

3

adalah 120 kasus gejala kanker paru-paru yang berupa data klinis dari CT-Scan

dan kemudian diolah menggunakan algoritma Hybrid GA-BP. Algoritma Hybrid

GA-BP ini menggunakan variabel learning rate sebesar 0,01 dan target eror

sebesar 0,001. Kesimpulan yang dihasilkan dari penelitian diatas adalah hybrid

GA-BP algoritm telah sukses dalam memperkirakan diagnosis CT dari kanker

paru-paru dan memiliki akurasi sebesar 97,5%.

Saksono et al. (2010) juga telah melakukan penelitian dengan merancang

sebuah sistem pendeteksi kanker paru-paru mengggunakan transformasi wavelet

dan metode linear discriminant analysis (LDA). Pada penelitian ini hasil foto

rontgen dilakukan pengolahan citra berupa convert to BW, filter median, BW

Labelling, cropping, dan resizing. Proses selanjutnya yaitu diekstraksi fitur

dengan menggunakan transformasi wavelet dan diklasifikasikan menggunakan

LDA. Keluaran dari sistem tersebut adalah normal, kanker paru-paru dan efusi

pleura. Data yang digunakan adalah sebanyak 60 data yang terdiri dari 20 data

normal, 20 data kanker paru-paru dan 20 data efusi pleura. Kesimpulan dari

penelitian tersebut adalah rancangan sistem pendeteksian kanker paru ini dapat

bekerja dengan baik meskipun ada beberapa kesalahan pengenalan dan klasifikasi

citra paru-paru menggunakan LDA memiliki tingkat keakurasian sebesar 95%.

Pada penelitian ini dilakukan perancangan suatu sistem perangkat lunak

yang dapat mendeteksi kanker paru-paru hasil citra foto rontgen dengan

menggunakan citra thorax foto rontgen manusia. Penelitian ini memiliki

keunggulan yaitu dapat mendeteksi kanker paru-paru secara langsung dengan

waktu yang lebih cepat sebagai deteksi awal sebelum didiagnosis oleh dokter



Tri Deviasari Wulan

4

spesialis. Data yang digunakan hasil citra foto rontgen untuk kondisi normal,

kanker paru-paru, penyakit paru lain sebanyak 75 data yang terdiri dari 60 data

training dan 15 data testing, dengan jumlah data sebanyak ini diharapkan dapat

memberikan hasil yang akurat dalam perancangan sistem perangkat lunak ini.

Pengolahan data awal dilakukan dengan proses cropping, resizing, thresholding,

filter median, BW Labelling dan transformasi wavelet untuk proses ekstraksi ciri

(Saksono, 2010). Klasifikasi data menggunakan jaringan saraf tiruan

backpropagation, yaitu salah satu algoritma dalam jaringan saraf tiruan yang

menggunakan multilayer. Hasil keluaran dari sistem pendeteksian kanker paru-

paru ini adalah informasi keabnormalan dari hasil citra foto rontgen (normal,

kanker paru-paru atau penyakit paru lain).

1.2 Rumusan Masalah

Berdasarkan uraian yang telah diberikan pada latar belakang, permasalahan

yang dapat disusun dalam penelitian ini adalah sebagai berikut,

1. Bagaimana perancangan sistem perangkat lunak untuk mendeteksi kanker

paru-paru berdasarkan citra foto rontgen menggunakan jaringan saraf tiruan

backpropagation?

2. Bagaimana kinerja jaringan saraf tiruan backpropagation dalam mendeteksi

kanker paru-paru dari citra foto rontgen?



Tri Deviasari Wulan

5

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

a. Data kanker paru-paru diperoleh dari citra foto rontgen.

b. Jumlah data yang digunakan adalah 75 data foto rontgen.

c. Data yang digunakan terdiri dari data normal, data kanker paru-paru dan data

penyakit paru lain yang meliputi kardiomegali, pneumothorak, dan efusi

pleura.

d. Keluaran dari sistem ini adalah berupa informasi keabnormalan hasil citra foto

rontgen.

1.4 Tujuan dan Manfaat Masalah

1.4.1 Tujuan

Tujuan dari penelitian ini adalah sebagai berikut:

1. Mengembangkan perangkat lunak untuk mengenali citra thorax dari foto

rontgen menggunakan jaringan saraf tiruan backpropagation.

2. Mengetahui kinerja dari jaringan saraf tiruan backpropagation dalam

mendeteksi kanker paru-paru dari hasil citra foto rontgen.

1.4.2 Manfaat

Manfaat hasil penelitian skripsi ini adalah untuk membantu optimasi

pekerjaan para praktisi medis dalam menentukan kanker paru-paru dari citra

thorax foto rontgen agar lebih akurat sehingga dapat meminimisasi kesalahan

dalam pengambilan kesimpulan dari hasil foto rontgen seseorang.



Tri Deviasari Wulan

6

BAB II

LANDASAN TEORI

2.1 Kanker Paru-Paru

2.1.1 Pengertian

Kanker paru-paru adalah tumor berbahaya yang tumbuh di paru-paru.

Sebagian besar kanker paru-paru berasal dari sel-sel di dalam paru-paru, tetapi

kanker paru-paru juga bisa berasal dari kanker dibagian tubuh lainnya yang

menyebar ke paru-paru. Selain itu, kanker paru-paru merupakan kanker yang

paling sering terjadi baik pada pria maupun wanita. Lebih dari 90% kanker paru-

paru berawal dari bronki (saluran udara terbesar yang masuk ke paru-paru),

kanker ini disebut karsinoma bronkogenik (Diananda, 2007). Kanker paru-paru

ditunjukkan pada Gambar 2.1.

Gambar 2.1 Kanker Paru-paru (Diananda, 2007)

2.1.2 Gejala Kanker Paru-paru

Pada fase awal kebanyakan kanker paru tidak menunjukkan gejala-gejala

klinis. Bila sudah menampakkan gejala berarti pasien sudah dalam stadium lanjut.

Gejala yang ditemui pada penderita kanker paru antara lain:



Tri Deviasari Wulan

7

Batuk, Hemoptysis, Dispnea, Sakit (dada, bahu, dan lengan), Mengi (wheezing),

Kerusakan vena cava superior, Disfagia, Hoarseness, Efusi pleura, Kerusakan

trakea, Gejala metastases (otak, tulang, hati, adrenal), Anemia, Penurunan berat

badan (Lestariningsih, 2010)

2.1.3 Faktor Resiko Kanker Paru-Paru

Seperti umumnya kanker yang lain, penyebab yang pasti dari kanker paru

belum diketahui, tapi paparan berkepanjangan suatu zat yang bersifat

karsinogenik merupakan faktor penyebab utama disamping adanya faktor lain

seperti kekebalan tubuh, genetik, dan lain-lain (Amin, 2006). Pada sub bab ini

akan diuraikan mengenai faktor risiko penyebab terjadinya kanker paru :

a. Merokok

Menurut Van Houtte, merokok merupakan faktor yang berperan paling penting,

yaitu 85% dari seluruh kasus. Seperti ditunjukkan pada Gambar 2.2 rokok

mengandung lebih dari 4000 bahan kimia, diantaranya telah diidentifikasi dapat

menyebabkan kanker. Kejadian kanker paru pada perokok dipengaruhi oleh usia

mulai merokok, jumlah batang rokok yang diisap setiap hari, lamanya kebiasaan

merokok, dan lamanya berhenti merokok (Wilson, 2005).

Gambar 2.2 Kandungan Rokok (Wilson, 2005)



Tri Deviasari Wulan

8

b. Perokok pasif

Semakin banyak orang yang tertarik dengan hubungan antara perokok pasif, atau

mengisap asap rokok yang ditemukan oleh orang lain di dalam ruang tertutup,

dengan risiko terjadinya kanker paru. Beberapa penelitian telah menunjukkan

bahwa pada orang-orang yang tidak merokok, tetapi mengisap asap dari orang

lain, risiko mendapat kanker paru meningkat dua kali (Wilson, 2005).

c. Polusi udara

Kematian akibat kanker paru juga berkaitan dengan polusi udara, tetapi

pengaruhnya kecil bila dibandingkan dengan merokok kretek. Kematian akibat

kanker paru jumlahnya dua kali lebih banyak di daerah perkotaan dibandingkan

dengan daerah pedesaan. Bukti statistik juga menyatakan bahwa penyakit ini lebih

sering ditemukan pada masyarakat dengan kelas tingkat sosial ekonomi yang

paling rendah dan berkurang pada mereka dengan kelas yang lebih tinggi. Hal ini,

sebagian dapat dijelaskan dari kenyataan bahwa kelompok sosial ekonomi yang

lebih rendah cenderung hidup lebih dekat dengan tempat pekerjaan mereka,

tempat udara kemungkinan besar lebih tercemar oleh polusi. Suatu karsinogen

yang ditemukan dalam udara polusi (juga ditemukan pada asap rokok) adalah 3,4

benzpiren (Wilson, 2005).

d. Paparan zat karsinogen

Beberapa zat karsinogen seperti asbestos, uranium, radon, arsen, kromium, nikel,

polisiklik hidrokarbon, dan vinil klorida dapat menyebabkan kanker paru (Amin,

2006). Risiko kanker paru di antara pekerja yang menangani asbes kira-kira

sepuluh kali lebih besar daripada masyarakat umum. Risiko kanker paru baik



Tri Deviasari Wulan

9

akibat kontak dengan asbes maupun uranium meningkat kalau orang tersebut juga

merokok.

e. Diet

Beberapa penelitian melaporkan bahwa rendahnya konsumsi terhadap

betakarotene, selenium, dan vitamin A menyebabkan tingginya risiko terkena

kanker paru (Amin, 2006).

f. Genetik

Terdapat bukti bahwa anggota keluarga pasien kanker paru berisiko lebih besar

terkena penyakit ini. Penelitian sitogenik dan genetik molekuler memperlihatkan

bahwa mutasi pada protoonkogen dan gen-gen penekan tumor memiliki arti

penting dalam timbul dan berkembangnya kanker paru. Tujuan khususnya adalah

pengaktifan onkogen (termasuk juga gen-gen K-ras dan myc) dan menonaktifkan

gen-gen penekan tumor (termasuk gen rb, p53, dan CDKN2) (Wilson, 2005).

g. Penyakit paru

Penyakit paru seperti tuberkulosis dan penyakit paru obstruktif kronik juga dapat

menjadi risiko kanker paru. Seseorang dengan penyakit paru obstruktif kronik

berisiko empat sampai enam kali lebih besar terkena kanker paru ketika efek dari

merokok dihilangkan (Christine, 2011).

2.1.4 Diagnosis Kanker Paru-paru

Diagnosis kanker paru pada stage dini sangat sulit karena klinis yang tidak

begitu khas dan penderita kebanyakan datang ketika penyakit sudah dalam

stadium lanjut maka keluhan justru sering muncul akibat komplikasinya yang

dapat menimbulkan kegawatan respirasi (Taufik et al, 2006).



Tri Deviasari Wulan

10

Diagnosis dapat dilakukan sejak tanda dan gejala kanker paru timbul dapat

dilakukan dengan tes penting seperti X-Ray dada, CT Scan dan Positron

Emmision Tomography (PET). X-Ray dada adalah metode utama untuk

mendeteksi kanker paru dan digunakan untuk mengukur ukuran tumor,

ketidakstabilan pembesaran nodus limfa dan membantu deteksi yang berhubungan

dengan penemuan tumor yang lain seperti efusi pleura, lobar collapse, dan

metastasis tulang (Christine, 2011). Hasil foto rontgen thorax kanker paru-paru


Gambar 2.3 Hasil Foto Kanker Paru-paru dari Sinar-X (Saksono, 2010)

2.2 Foto Rontgen

Pesawat Rontgen atau pesawat sinar-x adalah suatu alat yang digunakan

untuk melakukan diagnosa medis dengan menggunakan sinar-x. Sinar-x yang

dipancarkan dari tabung diarahkan pada bagian tubuh yang akan diperiksa. Berkas

sinar-x tersebut akan menembus bagian tubuh dan akan ditangkap oleh film,

sehingga akan terbentuk gambar dari bagian tubuh yang disinari (Suyatno &

Istofa, 2007).

2.2.1 Proses Terbentuknya Sinar-X

Sinar x merupakan gelombang elektro magnetik didefenisikan sebagai

suatu gelombang yang terdiri atas gelombang listrik dan gelombang magnit. Pada



Tri Deviasari Wulan

11

Gambar 2.4 berikut ditunjukkan keluarga gelombang elektro-magnetik, di mulai

dari gelombang radio, cahaya tampak, sinar-x, hingga sinar kosmik.

Pengelompokan tersebut dibedakan atas tingkat energi atau panjang

gelombangnya (Irnawati, 2009).

Gambar 2.4 Spektrum Cahaya (Irnawati, 2009)

Sinar X terjadi bila elektron yang bergerak dengan kecepatan tinggi tiba-tiba

terhenti karena menubruk suatu bahan misalnya suatu plat logam. Sebagai sumber

elektron adalah filamen yang dipanaskan dan plat logam adalah anodanya.

Elektron- elektron yang terjadi pada pemanasan filamen dipercepat dengan

menggunakan tegangan tinggi antara filamen dan anoda. Sinar-X yang terjadi

karena proses pengereman diatas disebut juga “Bremsstrahlung”, yang


Gambar 2.5 Proses Terbentuknya Sinar-X Bremsstrahlung (Pratapa, 2004)



Tri Deviasari Wulan

12

Sebagian kecil elektron-elektron yang dipercepat itu akan menubruk elektron

pada kulit atom, akibatnya elektron pada kulit atom itu akan terpental sehingga

tempat tersebut kosong. Kekosongan ini segera diisi oleh elektron dari kulit

bagian atasnya disertai dengan pemancaran photon. Photon yang dihasilkan

dengan dengan cara ini disebut sinar-x karakteristik, yang ditunjukkan pada

Gambar 2.6. Bila elektron yang terpental dari kulit K maka sinar x yang terjadi

dari pengisian kulit L disebut Kα, dari kulit M disebut Kβ dan seterusnya. Dari

uraian diatas dapat disimpulkan bahwa sinar-x yang terjadi dari suatu generator

sinar-x akan berupa sinar-x kontinu dam sinar-x karakteristik.

Gambar 2.6 Proses Pembuatan Sinar-X Karakteristik (Pratapa, 2004)

2.2.2 Interaksi Sinar-X dan Material

Pada subbab ini akan dibahas proses interaksi yang terjadi apabila radiasi

sinar-x mengenai sebuah material.

A. Intensitas Radiasi

Sinar-X sebagaimana radiasi gelombang elektromagnetik yang lain

memancar ke segala arah secara merata. Jumlah radiasi per satuan waktu per

satuan luas (intensitas) disuatu tempat sangat tergantung pada tiga hal yaitu



Tri Deviasari Wulan

13

jumlah radiasi yang dipancarkan oleh sumber, jarak antara tempat tersebut dan

sumber radiasinya, serta medium diantaranya. Salah satu prinsip proteksi radiasi

eksternal adalah menjaga jarak, semakin jauh posisi seseorang dari sumber radiasi

maka intensitas radiasi yang diterimanya akan semakin kecil.

B. Atenuasi Sinar-X

Intensitas radiasi sinar X setelah melalui bahan dengan tebal tertentu akan

mengalami pelemahan atau atenuasi mengikuti persamaan berikut :

𝐼 = 𝐼𝑜𝑒−𝜇𝑥 ..........................................................(2.1)

Dimana I0, I = intensitas sebelum dan sesudah menembus bahan.

X = tebal bahan yang diperiksa

μ = koefisien absorbsi linier tergantung dari jenis bahan dan tenaga

sumber yang digunakan.

Pelemahan intensitas radiasi jika melewati suatau bahan dapat dilihat pada

Gambar 2.7.

Gambar 2.7 Atenuasi Intensitas Radiasi Setelah Melalui Bahan (Pratapa, 2004)

C. Mekanisme Interaksi

Mekanisme interaksi sinar X ketika mengenai materi adalah efek fotolistrik,

efek Compton dan produksi pasangan.



Tri Deviasari Wulan

14

1. Efek Fotolistrik

Pada Gambar 2.8 dapat dilihat proses efek fotolistrik, dimana sinar X

“menubruk” salah satu elektron dan memberikan seluruh energinya sehingga

elektron tersebut lepas dari lintasannya. Elektron yang dilepaskan dalam proses

ini disebut fotoelektron, yang mempunyai energy sebesar energy sinar X yang

mengenainya.

Gambar 2.8 Proses Efek Fotolistrik (Pratapa, 2004)

2. Hamburan Compton

Dalam proses hamburan Compton yang ditunjukkan pada Gambar 2.9, sinar

X seolah-olah “menubruk” salah satu elektron dan kemudian terhambur kearah

yang lain. Sebagian energi sinar X diberikan ke elektron sehingga lepas dari

lintasannya, sedangkan sisanya dibawa oleh sinar X hamburan.

Gambar 2.9 Proses Hamburan Compton (Pratapa, 2004)



Tri Deviasari Wulan

15

3. Produksi Pasangan

Pada Gambar 2.10 ditunjukkan proses produksi pasangan hanya terjadi bila

energy sinar X lebih besar dari 1,02 Mev dan sinar X tersebut berhasil mendekati

inti atom. Sinar X tersebut akan lenyap dan berubah menjadi sepasang elektron-

positron. Positron adalah partikel yang identik dengan elektron tetapi bermuatan

positif.

Gambar 2.10 Proses Produksi Pasangan (Pratapa, 2004)

Ada dua proses yang terjadi bila seberkas sinar-x ditembakkan ke sebuah

atom yaitu energi berkas sinar-x terserap oleh atom dan sinar-x dihamburkan oleh

atom. Dalam proses yang pertama, berkas sinar-x terserap atom melalui Efek

Fotolistrik yang mengakibatkan tereksitasinya atom atau terlemparnya elektron-

elektron dari atom. Atom akan kembali ke keadaan dasarnya dengan

memancarkan elektron (melalui Auger effect), atau memancarkan sinar-x floresen

yang memiliki panjang gelombang karakteristik atom tereksitasinya. Pada proses

yang kedua, ada bagian berkas yang mengalami hamburan tanpa kehilangan

kehilangan energi (panjang gelombangnya tetap) dan ada bagian yang terhambur

dengan kehilangan sebagian energi (Hamburan Compton). Hamburan Compton

dinamakan juga hamburan tak-koheren. Jadi serapan total sinar-x terjadi karena



Tri Deviasari Wulan

16

efek fotolistrik dan hamburan tak-koheren. Namun, hamburan tak-koheren

memiliki efek menyeluruh yang dapat diabaikan, kecuali untuk radiasi dengan

panjang gelombang pendek yang mengenai material dengan berat atom rendah

(Pratapa, 2004).

2.2.4 Pembuatan Citra dengan Sinar-X

Proses pembuatan gambar anatomi tubuh manusia dengan sinar-X dapat

dilakukan pada permukaan film fotografi. Gambar terbentuk karena adanya

perbedaan intensitas sinar-X yang mengenai permukaan film setelah terjadinya

penyerapan sebagian sinar-X oleh bagian tubuh manusia. Daya serap tubuh

terhadap sinar-X sangat bergantung pada kandungan unsur-unsur yang ada di

dalam organ. Tulang manusia yang didominasi oleh unsur Ca mempunyai

kemampuan menyerap yang tinggi terhadap sinar-X. Karena penyerapan itu sinar-

X yang melewati tulang akan memberikan bayangan gambar pada film yang

berbeda dibandingkan bayangan gambar dari organ tubuh yang hanya berisi udara

seperti paru-paru, atau air seperti jaringan lunak pada umumnya (Irnawati, 2009).

2.3 Pengolahan Citra

Citra (image) adalah representasi optis dari sebuah obyek yang disinari

oleh sebuah sumber radiasi. Pada dasarnya citra yang dilihat terdiri atas berkas-

berkas cahaya yang dipantulkan oleh benda-benda disekitarnya, jadi secara

alamiah fungsi intensitas cahaya merupakan fungsi sumber cahaya yang

menerangi obyek, serta jumlah cahaya yang dipantulkan oleh obyek. Salah satu

bentuk citra adalah citra yang mengandung abstrak dari citra matematis yang



Tri Deviasari Wulan

17

berisi fungsi kontinyu dan fungsi diskrit atau citra digital. Citra yang memiliki

fungsi diskrit inilah yang dapat diolah oleh komputer (Muhtadan, 2008).

Pengolahan citra (image processing) bertujuan untuk memperbaiki

kualitas citra dengan suatu tujuan tertentu (Widodo, 2003). Beberapa alasan

mengapa perlu dilakukan pengolahan citra, antara lain :

1. Untuk mendapatkan citra asli dari suatu citra yang sudah buruk karena

pengaruh derau. Proses pengolahan bertujuan untuk mendapatkan citra yang

diperkirakan mendekati citra sesungguhnya.

2. Untuk memperoleh citra dengan karakteristik tertentu dan cocok secara visual

yang dibutuhkan untuk tahap lebih lanjut dalam pemrosesan citra.

2.3.1 Perbaikan Kualitas Citra

Proses perbaikan kualitas citra diperlukan karena sering kali citra yang

dijadikan objek pembahasan mempunyai kualitas yang buruk, misalnya citra

mengalami derau (noise), citra terlalu terang/gelap, citra kurang tajam, kabur dan

sebagainya. Melalui operasi pemrosesan awal ini kualitas citra diperbaiki

sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misalnya untuk

aplikasi pengenalan (recognition) objek di dalam citra. (Rinaldi, 2004)

2.3.1.1 Thresholding

Proses thresholding akan menghasilkan citra biner, yaitu citra yang

memiliki dua nilai tingkat keabuan. Secara umum proses thresholding citra

grayscale untuk menghasilkan citra biner adalah sebagai berikut :

𝑔 𝑥, 𝑦 = 1 𝑖𝑓 𝑓(𝑥, 𝑦) ≥ 𝑇0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇

.................................... ( 2.2)



Tri Deviasari Wulan

18

Dengan g (x,y) adalah citra biner dari citra grayscale f (x,y), dan T menyatakan

nilai threshold. Nilai T memegang peranan yang sangat penting dalam proses

thresholding. Kualitas hasil citra biner pada proses thresholding sangat tergantung

pada nilai T yang digunakan seperti disajikan pada Gambar 2.11 (Putra, 2010).

(a) (b)

Gambar 2.11 Thresholding (a) Citra Asli, (b) Citra Hasil Thresholding (Prasetyo,2011)

Salah satu cara untuk memilih thresholding yaitu dengan fungsi graythresh

yang disediakan pada toolbox Matlab yaitu “T=graythesh(f)” ,dengan f adalah

citra input dan T adalah nilai threshold yang dihasilkan. Fungsi ini menghitung

threshold menggunakan metode otsu (Prasetyo,2011). Formulasi dari metode ini

adalah dengan mencari nilai ambang dari suatu citra yang dinyatakan dengan k.

Nilai k berkisar antara 1 sampai dengan L, dengan nilai L adalah 255. Probabilitas

untuk piksel i dinyatakan dengan persamaan 2.3.

𝑝𝑖 =𝑛𝑖

𝑁........................................................(2.3)

Dimana 𝑛𝑖 adalah jumlah piksel yang memiliki level intensitas dan N menyatakan

banyaknya pixel pada citra. Nilai Zeroth cumulative moment, First cumulative

moment, dan total nilai mean berturut-turut dapat dinyatakan dengan sebagai

berikut :



Tri Deviasari Wulan

19

𝑤 𝑘 = 𝑝𝑖𝑘𝑖=1 ...............................................(2.4)

𝜇 𝑘 = 𝑖. 𝑝𝑖𝑘𝑖=1 ................................................(2.5)

𝜇𝑇 = 𝑖. 𝑝𝑖𝐿𝑖=1 ................................................(2.6)

Nilai ambang k dapat ditentukan dengan memaksimumkan between-class

variance (𝜎𝐵2) yang ditunjukkan pada persamaan 2.7 (Putra,2010).

𝜎𝐵2 𝑘 =

𝜇𝑇𝜔 𝑘 −𝜇(𝑘) 2

𝜔(𝑘) 1−𝜔(𝑘) ............................................(2.7)

Pada penelitian ini proses thresholding ini digunakan untuk mengubah citra

menjadi citra biner dan menghilangkan background yang tidak diinginkan pada

citra.

2.3.1.2 Filter Median

Metode filter median merupakan filter yang berfungsi untuk menghaluskan

dan mengurangi noise atau gangguan pada citra. Filter median memberikan

kemampuan pengurangan noise yang sangat bagus dengan memperhatikan

blurring yang sedikit, dibandingkan dengan filter smoothing linear pada ukuran

sama. Selain itu filter ini juga baik untuk menghilangkan salt-and-pepper noise

karena sifat median yang menjauhi hitam putih (Prasetyo, 2011). Hasil dari filter

median ditunjukkan pada Gambar 2.12.

(a) (b)

Gambar 2.12 Filter Median (a)Citra Asli, (b)Citra Hasil filter Median (Prasetyo,2011)



Tri Deviasari Wulan

20

Pada dasarnya untuk menangani noise akan melibatkan operasi konvolusi.

Operasi konvolusi. Opearsi konvolusi sebuah citra f(x,y) menggunakan matriks

mask yang berukuran square dan ukurannya biasanya ganjil, misalnya matriks

mask 3x3, 5x5, 7x7, 9x9. Operasi ini tentunya melibatkan tetangga dari piksel

yang dikenai operasi tersebut. Jika sebuah mask disimbolkan dengan h(x,y). Maka

hasil konvolusi antara f(x,y) dengan matriks mask h(x,y) dapat dituliskan dengan

persamaan 2.8 (Purnomo&Muntasa, 2010).

𝑓𝑛 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ 𝑕(𝑥, 𝑦).....................................(2.8)

Pada metode filter median pada sebuah titik pada citra maka yang pertama

dilakukan adalah mengurutkan nilai pixel dalam tetangga, menentukan median

dan memasukkan nilai hasilnya pada pixel yang berkorespodensi dalam citra yang

akan difilter. Contohnya untuk tetangga mask 3x3 yang memiliki nilai

(25,25,10,15,50,20,25,30,40), jika nilai-nilai ini diurutkan akan menjadi

(10,15,15,20,25,25,30,40,50) maka hasil mediannya adalah 25 (Prasetyo, 2011).

Pada penelitian ini digunakan filter median dengan mask 9x9 untuk

menghilangkan noise-noise dari hasil thresholding.

2.3.1.3 BW Labelling

Proses BW labelling berfungsi untuk memberikan label pada objek-objek

yang ada pada citra yang memiliki nilai intensitas hampir sama atau mirip.

Penandaan komponen terhubung digunakan untuk memeriksa suatu citra dan

mengelompokkan setiap piksel kedalam suatu komponen terhubung menurut

aturan ketergabungan yaitu 4 atau 8 connectivity. Setiap komponen terhubung



Tri Deviasari Wulan

21

yang saling tidak terhubung (disjoin) pada suatu citra akan diberi label berbeda.

Hasil dari BW labelling ditunjukkan pada Gambar 2.13.

(a) (b)

Gambar 2.13 BW Labelling (a) Citra Asli, (b) Citra Hasil BW Labelling (Prasetyo,2011)

Penandaan komponen terhubung dilakukan dengan memeriksa suatu citra,

piksel per piksel untuk mengidentifikasi area piksel terhubung yaitu suatu area

dari piksel berbatasan yang memiliki nilai intensitas sama atau nilai intensitas

berada dalam suatu himpunan V. Pada citra biner V={1} sedangkan pada citra

keabuan himpunan V disesuaikan sesuai kebutuhan (Putra,2010).

Pada penelitian ini proses bw labelling digunakan untuk menandai objek-

objek pada citra dengan menggunakan 8-connectivity yaitu dengan memeriksa

piksel atas, bawah, kiri, kanan dan juga kedua piksel diagonal dari citra.

2.3.2 Transformasi Wavelet

Transformasi wavelet adalah teknik yang digunakan untuk menghasilkan

fitur suatu citra. Proses transformasi wavelet dilakukan dengan mengkonvolusi

sinyal dengan data tapis atau dengan proses perata-raaan dan pengurangan secara

berulang (Wijaya&Kanata, 2004). Transformasi wavelet yang digunakan adalah

transformasi wavelet 2D (2-Dimensi), hal ini dikarenakan citra merupakan bentuk

sinyal dalam ruang dimensi dua. Transformasi wavelet pada citra 2D pada



Tri Deviasari Wulan

22

prinsipnya sama dengan transformasi pada citra 1D. Pada citra 2D proses

transformasi dilakukan pada baris terlebih dahulu kemudian dilanjutkan dengan

transformasi pada kolom.

(a) (b) (c)

Gambar 2.14 Hasil Dekomposisi Perataan dan Pengurangan Pada Citra 2D (a) Citra Asli (b) Hasil Dekomposisi dalam Arah Baris (c) Hasil Dekomposisi dalam

Arah Kolom (Citra Hasil Dekomposisi) (Putra, 2010) Gambar 2.14 (a) didapatkan dari perhitungan sebagai berikut :

Baris 1 : [(10+10)/2 (20+20)/2 (10-10)/2 (20-20)/2]= [10 20 0 0]

Baris 2 : [(10+10)/2 (20+20)/2 (10-10)/2 (20-20)/2]= [10 20 0 0]

Baris 3 : [(50+50)/2 (30+30)/2 (50-50)/2 (30-30)/2]= [50 30 0 0]

Baris 4 : [(50+50)/2 (30+30)/2 (50-50)/2 (30-30)/2]= [50 30 0 0]

Gambar 2.14(c) diperoleh dari proses perataan dan pengurangan dari Gambar

2.14(b).

Kolom 1 : [(10+10)/2 (50+50)/2 (10-10)/2 (50-50)/2]= [10 50 0 0]

Kolom 2 : [(20+20)/2 (30+30)/2 (20-20)/2 (30-30)/2]= [20 30 0 0]

Kolom 3 : [(0+0)/2 (0+0)/2 (0-0)/2 (0-0)/2] = [0 0 0 0]

Kolom 4 : [(0+0)/2 (0+0)/2 (0-0)/2 (0-0)/2] = [0 0 0 0]

Hasil proses dekomposisi ditunjukkan pada Gambar 2.14(c). Proses dekomposisi

tersebut dilakukan dalam 1 level.



Tri Deviasari Wulan

23

H0 2

H0

H1

2

2

H0

H1

2

2

H1 2

M (x,y)

LL

LH

HL

HH

Dekomposisi Baris Dekomposisi Kolom Gambar 2.15 Transformasi Wavelet 2D 1 Level (Putra, 2010)

Pada Gambar 2.15, M(x,y) merupakan matriks suatu citra yang

didekomposisi menggunakan tapis H0 merupakan tapis lolos rendah dan H1

merupakan tapis lolos tinggi dengan wavelet 2D sehingga menghasilkan koefisien

LL,LH,HL, dan HH. LL menyatakan bagian koefisien yang diperoleh melalui

proses tapis low pass dilanjutkan dengan low pass. Citra pada bagian ini mirip dan

merupakan versi lebih halus dari citra aslinya sehingga koefisien pada bagian LL

disebut dengan komponen approksimasi. LH menyatakan bagian koefisien yang

diperoleh melalui proses tapis low pass kemudian dilanjutkan dengan high pass.

Koefisien pada bagian ini menunjukkan citra tepi dalam arah horisontal. Bagian

HL menyatakan bagian yang diperoleh melalui proses high pass kemudian

dilanjutkan dengan low pass. Koefisien pada bagian ini menunjukkan citra tepi

dalam arah vertikal. HH menyatakan proses yang diawali dengan high pass dan

dilanjutkan dengan high pass, dan menunjukkan citra tepi dalam arah diagonal.

Ketiga komponen LH, HL dan HH disebut juga komponen detil (Putra, 2010).

Hasil dari transformasi wavelet menggunakan metode haar ditunjukkan pada

Gambar 2.16.



Tri Deviasari Wulan

24

Gambar 2.16 Citra Hasil Wavelet Haar 2 level (Putra, 2010)

Pada penelitian ini transformasi wavelet digunakan untuk mendapatkan fitur

energi dan koefisien dari citra dengan proses dekomposisi 7 level. Pada masing-

masing fitur koefisien wavelet citra dicari nilai mean dan standar deviasi pada

masing-masing subband.

2.4 Jaringan Saraf Tiruan

Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal

dengan Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan saraf tiruan

merupakan salah satu sistem pemrosesan informasi yang didesain dengan

menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan

melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf

tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa

lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan

untuk memberikan keputusan terhadap data yang belum pernah dipelajari (Yani,

2005).



Tri Deviasari Wulan

25

2.4.1 Struktur Dasar Jaringan Biologi

Pembuatan struktur jaringan saraf tiruan diilhami oleh struktur jaringan

biologi, khususnya jaringan otak manusia. Untuk lebih mengenal asal-usul serta

bagaimana suatu struktur jaringan saraf tiruan dibuat dan dapat dipakai sebagai

suatu alat penghitung, berikut ini akan dibahas sedikit istilah yang secara umum

digunakan.

Neuron adalah satuan pemroses terkecil otak, bentuk sederhana sebuah

neuron yang oleh para ahli dianggap sebagai satuan unit pemroses tersebut tersaji

pada Gambar 2.17

Gambar 2.17 Struktur dasar jaringan saraf tiruan dan struktur sederhana

sebuah neuron (Jong, 2004)

Struktur pada Gambar 2.17 tersebut adalah bentuk standar dasar satuan unit

jaringan otak manusia yang telah disederhanakan. Bentuk standart ini mungkin

dikemudian hari akan berubah bila ada ilmuan yang dapat menciptakan bentuk

standart yang lebih baik ataupun memperbaiki bentuk standart yang digunakan

saat ini. Jaringan otak manusia tersusun tidak kurang dari 1013 buah neuron yang

masing-masing terhubung oleh sekitar 1015 buah dendrit. Fungsi dendrit adalah

sebagai penyampai sinyal dari neuron tersebut ke neuron yang terhubung

dengannya. Sebagai keluaran, setiap neuron memiliki axon, sedangkan bagian

penerima sinyal disebut sinapse (Jong, 2004).



Tri Deviasari Wulan

26

2.4.2 Konsep Dasar Permodelan Jaringan Syaraf Tiruan

Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai elemen

pemroses seperti Gambar 2.18 yang dapat berfungsi seperti halnya sebuah neuron.

Sejumlah sinyal masukan a dikalikan dengan masing-masing penimbang yang

bersesuaian w. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian

tersebut dan keluaran yang dihasilkan dilakukan kedalam fungsi pengaktif untuk

mendapatkan tingkat derajat sinyal keluarannya F(a,w). Walaupun masih jauh dari

sempurna, namun kerja dari tiruan neuron ini identik dengan kinerja dari sel

biologi yang kita kenal saat ini.

Gambar 2.18 Model tiruan sebuah neuron (Jong, 2004)

Keterangan : a. aj : Nilai aktivasi dari unit j b. wj,i : Bobot dari unit j ke unit i c. ini : penjumlahan bobot dan masukan ke unit i d. g : Fungsi aktivasi e. ai : Nilai aktivasi dari unit i

Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi

keluaran dari neuron adala seperti persamaan dibawah ini :

𝑖𝑛𝑖 = 𝑤𝑗𝑖𝑗 ∗ 𝑎𝑗 ................................................. (2.4)



Tri Deviasari Wulan

27

Kumpulan dari neuron dibuat menjadi sebuah jaringan yang akan berfungsi

sebagai alat komputasi. Jumlah neuron dan struktur jaringan untuk setiap

problema yang akan diselesaikan berbeda (Jong,2004).

2.4.3 Konsep Dasar Jaringan Saraf Tiruan

Setiap pola-pola informasi input dan output yang diberikan kedalam

jaringan saraf tiruan diproses dalam neuron. Neuron-neuron tersebut terkumpul

didalam lapisan-lapisan yang disebut neuron layers. Lapisan-lapisan penyusun

jaringan saraf tiruan tersebut dapat dibagi menjadi 3 (Puspitaningrum, 2006),

yaitu:

1. Lapisan Input

Unit-unit didalam lapisan input disebut unit-unit input. Unit-unit input tersebut

menerima pola inputan data dari luar yang menggambarkan suatu

permasalahan.

2. Lapisan Tersembunyi

Unit-unit didalam lapisan tersembunyi disebut unit-unit tersembunyi. Dimana

outputnya tidak dapat secara langsung diamati.

3. Lapisan Output

Unit-unit di dalam lapisan output disebut unit-unit output. Output dari lapisan

ini merupakan solusi jaringan saraf tiruan terhadap sutu permasalahan.

2.4.4 Arsitektur Jaringan Saraf Tiruan

Jaringan saraf tiruan memiliki jaringan yang sering digunakan dalam berbagai

aplikasi (Puspitaningrum, 2006). Arsitektur jaringan saraf tiruan tersebut, antara

lain:



Tri Deviasari Wulan

28

1. Jaringan Layar Tunggal

Jaringan dengan lapisan tunggal yang ditunjukkan pada Gambar 2.19 terdiri

dari 1 layer input dan 1 layer output. Setiap neuron atau unit yang terdapat

didalam lapisan input selalu terhubung dengan setian neuron yang terdapat

pada layer output. Jaringan ini hanya menerima input kemudian secara

langsung akan mengolahnya menjadi output tanpa harus melalui lapisan

tersembunyi.

Gambar 2.19 Arsitektur Layer Tunggal (Puspitaningrum, 2006)

2. Jaringan Layar Jamak (Multilayer Network)

Dalam jaringan multilayer, selain ada unit-unit input dan unit-unit output,

juga terdapat unit-unit tersembunyi (hidden). Jumlah unit hidden tergantung

pada kebutuhan. Semakin kompleks jaringan, unit hidden yang dibutuhkan

makin banyak, demikian pula jumlah layernya. Arsitektur jaringan layar

jamak ditunjukkan pada Gambar 2.20.



Tri Deviasari Wulan

29

Gambar 2.20 Arsitektur Layer Jamak (Puspitaningrum, 2006)

3. Jaringan Lapisan Kompetitif (Competitive Layer Network)

Dalam jaringan competitive, suatu lapisan yang berisi neuron-neuron akan

menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu

kelompok yang dikenal dengan istilah cluster. Arsitektur jaringan layar

competitive ditunjukkan pada Gambar 2.21.

Gambar 2.21 Arsitektur Layer Kompetitif (Puspitaningrum, 2006)



Tri Deviasari Wulan

30

2.4.5 Metode Backpropagation

Perambatan galat mundur (Backpropagation) adalah sebuah metode

sistematik untuk pelatihan multiplayer jaringan saraf tiruan . Metode ini memiliki

dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk

persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah

kuadrat galat error melalui model yang dikembangkan (Kiki & Kusumadewi,

2004).

2.4.5.1 Arsitektur Jaringan Metode Backpropagation

Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri

atas variabel masukan unit sel saraf, lapisan tersembunyi terdiri atas 10 unit sel

saraf, dan lapisan keluaran/output terdiri atas 2 sel saraf (Kiki & Kusumadewi,

2004). Arsitektur jaringan metode backpropagation ditunjukkan pada Gambar

2.22.

Gambar 2.22 Arsitektur Jaringan Backpropagation (Kiki&Kusumadewi, 2004) Keterangan : X = Masukan (input). J = 1 s/d n (n = 10). V = Bobot pada lapisan tersembunyi. W = Bobot pada lapisan keluaran. n = Jumlah unit pengolah pada lapisan tersembunyi. b = Bias pada lapisan tersembunyi dan lapisan keluaran. k = Jumlah unit pengolah pada lapisan keluaran. Y = Keluaran hasil.



Tri Deviasari Wulan

31

Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal

yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana

jaringan dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan

merupakan selisih antara keluaran aktual (current output) dan keluaran target

(desired output). Langkah berikutnya adalah menghitung nilai SSE (Sum Square

Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan

neuron2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan

nilai SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square

Error) tiap iterasi (Kiki & Kusumadewi, 2004).

Sum Square Error (SSE). SEE diperoleh dengan cara sebagai berikut :

1. Menghitung lapisan prediksi atau keluaran model untuk masukan pertama.

2. Menghitung selisih antara nilai luar prediksi dan nilai target atau sinyal

latihan untuk setiap keluaran.

𝑆𝑆𝐸 = (𝐷𝑖𝑗𝑁𝐼−1 − 𝑓𝑗 (𝑥𝑖)) ....................................... (2.5)

Root Mean Square Error (RMS Error). Dihitung sebagai berikut :

1. Menghitung nilai SSE.

2. Kemudian hasil dari SSE dibagi dengan perkalian antara banyaknya data pada

latihan dan banyaknya luaran dan diakarkan.

𝑅𝑀𝑆𝐸 = 𝑆𝑆𝐸

𝑁∗𝐾 ................................................. (2.6)

Keterangan : RMSE = Root Mean Square Error SSE = Sum Square Error N = Banyaknya data pada latihan K = Banyaknya luaran. (Kiki & Kusumadewi, 2004).



Tri Deviasari Wulan

32

BAB III

METODOLOGI PENELITIAN

3.1 Tempat dan Waktu Penelitian

3.1.1 Tempat Penelitian

Penelitian ini dilakukan di Laboratorium Instrumentasi

Teknobiomedik, Laboratorium Biofisika dan Laboratorium Komputasi

Departemen Fisika

3.1.2 Waktu Penelitian

Penelitian dilakukan pada semester VIII yaitu selama 6 bulan, dimulai

pada bulan Maret sampai dengan bulan Juli 2012.

3.2 Bahan dan Alat Penelitian

Peralatan yang digunakan dalam penelitian ini adalah seperangkat komputer

dengan software Matlab R2008a. Sedangkan bahan yang digunakan yaitu hasil

foto rontgen thorak paru yang didapatkan dari Ahmad Rizal, Institute Teknologi

Telkom Bandung.

3.3 Metode Penelitian

Metode penelitian ini berisi tentang langkah-langkah yang dilakukan dalam

penelitian deteksi kanker paru menggunakan jaringan saraf tiruan

backpropagation. Adapun diagram alir penelitian ini ditunjukkan pada Gambar

3.1.



Tri Deviasari Wulan

33

Pengambilan Data

Pengolahan Citra Hasil Foto Rontgen

Pengujian pada model jaringan saraf backpropagation

Uji Validasi pada model jaringan saraf backpropagation

Studi Literatur(Jurnal,Text Book)

Pelatihan pada model jaringan saraf backpropagation

Hasil Klasifikasi(Normal, Kanker Paru

atau Penyakit Paru Lain )

Gambar 3.1. Diagram Alir Metode Penelitian tentang Deteksi Kanker Paru-paru dari hasil Citra Foto Rontgen menggunakan Jaringan Saraf Tiruan

Backpropagation.

Penjelasan dari Gambar 3.1 adalah sebagai berikut :

1. Studi Literatur

Studi Literatur dilakukan dengan mempelajari text book dan jurnal tentang

pendetesian kanker paru dari hasil foto rontgen menggunakan jaringan saraf tiruan

backpropagation serta bahan referensi lain yang terkait dengan penelitian ini.

2. Pengambilan Data

Hasil citra foto rontgen thorak paru didapatkan dari Ahmad Rizal dalam

bentuk softcopy. Data yang diambil yakni 75 data yang terdiri dari 60 data

pelatihan yang meliputi 20 data thorax paru-paru kanker paru-paru, 20 data thorax

paru-paru normal dan 20 data thorax paru-paru yang memiliki penyakit paru lain



Tri Deviasari Wulan

34

dan 15 data uji yang meliputi 5 data thorax paru-paru normal, 5 data thorax paru-

paru kanker paru-paru dan 5 data thorax paru-paru yang memiliki penyakit paru

lain.

3. Pengolahan citra hasil foto rontgen

Pada hasil rekaman foto rontgen dilakukan pengolahan citra yang bertujuan

mendapatkan fitur citra yaitu berupa energi dan koefisien dari ekstraksi fitur

menggunakan transformasi wavelet sehingga dapat dibuat jaringan syaraf tiruan

metode backpropagation.

Transformasi wavelet Haar

Preprosessing

Masukkan Citra hasil x-ray (Softcopy)

Matriks Biner

Normalisasi

Gambar 3.2 Diagram Alir Pengolahan Citra

Langkah-langkah pengolahan citra yang ditunjukkan pada Gambar 3.2

sebagai berikut:

a. Pembacaan file gambar berukuran 2010 x 2010 piksel dengan format bitmap

(.bmp).



Tri Deviasari Wulan

35

b. Perbaikan Kualitas Citra

Perbaikan kualitas citra atau biasa disebut dengan proses preprosessing. Proses

preprosessing yang dilakukan pada penelitian ini yaitu langkah pertama

cropping dan resizing yang bertujuan untuk memotong citra pada daerah paru

dan merubah ukuran citra menjadi berdimensi lebih kecil agar memudahkan

proses pengolahan citra selanjutnya. Proses cropping dilakukan dengan manual

menggunakan photoshop dari citra berukuran 2010x2010 piksel kemudian

dipotong pada bagian daerah paru-paru menjadi berukuran 1760x1760 piksel.

Proses resizing dilakukan pada citra hasil cropping yaitu dengan mengubah

dimensi citra menjadi berukuran 320x320 piksel (Saksono,2010).

Langkah kedua yaitu thresholding untuk mengubah citra menjadi citra biner.

Nilai ambang threshold dicari dengan menggunakan fungsi graythresh. Fungsi

graythresh ini mengambil citra, menghitung histogramnya kemudian mencari

nilai thresholdnya. Rentang nilai threshold yang didapatkan dari fungsi ini

adalah antara 0 sampai 1, maka untuk mengetahui nilai threshold yang

sebenarnya dari citra sebelumnya nili T dikalikan dengan 255. Fungsi

graythresh yang terdapat pada toolbox Matlab yaitu :

T= graythresh (f) , dimana f adalah citra input dan T adalah threshold yang

dihasilkan. Untuk melakukan segmentasi citra, nilai T digunakan dalam fungsi

im2bw yang terdapat pada toolbox matlab yaitu

K= im2bw (f,T), dimana f adalah input citra, T adalah nilai theshold yang

didapatkan dari fungsi graythresh dan K adalah hasil citra thresholdingnya.



Tri Deviasari Wulan

36

Langkah ketiga yang dilakukan adalah median filter yang bertujuan untuk

mengurangi noise-noise dari hasil thresholding. Median filter ini menggunakan

operasi konvolusi citra dengan mask 9x9. Pada toolbox Matlab terdapat fungsi

filter median yaitu :

H=medfilt2(K, [9 9]), dimana K adalah citra hasil thresholding, [9 9] adalah

kernel atau mask yang digunakan dalam operasi konvolusi dan H adalah citra

hasil filter median.

Langkah terakhir adalah BW Labelling yang memberikan label objek-objek

pada citra yang memiliki nilai intensitas hampir sama atau mirip. Pemberian

label menurut aturan keterhubungan 8 connectivity yaitu dengan memeriksa

piksel atas dan kiri tetangga, juga kedua piksel diagonal tetangga. Pada

toolbox Matlab terdapat fungsi BW Labelling yaitu :

L= bwlabeln(H,8), dimana H adalah citra hasil filter median, 8 adalah aturan

keterhubungan yang digunakan, dan L adalah citra hasil BW Labelling.

c. Transformasi Wavelet

Transformasi wavelet digunakan untuk proses ekstraksi ciri citra. Pada

penelitian ini digunakan transformasi wavelet haar untuk mempresentasikan

ciri tekstur dan bentuk dari suatu citra serta memerlukan waktu komputasi yang

lebih kecil dari transformasi wavelet lainnya (Saksono,2010).

Masing-masing citra kondisi paru-paru untuk normal, kanker dan penyakit lain

mengalami proses dekomposisi menjadi empat subband, yaitu LL, LH, HL, dan

HH. Dari keempat subband tersebut dihitung nilai energi, koefisien, rata-rata



Tri Deviasari Wulan

37

dan standar deviasi dari masing-masing subband pada setiap level. Analisa

tersebut dilakukan sampai tujuh level dekomposisi.

Pada toolbox Matlab terdapat fungsi yang dapat fungsi untuk mendekomposisi

dan mencari fitur dari transformasi wavelet, fungsi tersebut adalah sebagai

berikut:

[c s]= wavedec2 (L,7,’haar’), dimana L merupakan citra hasil BW Labelling, 7

menunjukkan banyaknya level dekomposisi yang digunakan,’haar’ merupakan

metode transformasi wavelet yang digunakan dan [c s] merupakan hasil fungsi

wavelet dengan c merupakan hasil matriks dekomposisi citra dan s menyatakan

ukuran hasil dekomposisi. Fitur energi dan koefisien dari transformasi wavelet

ini didapatkan dari toolbox Matlab yaitu :

[Ea,Eh,Ev,Ed]=wenergy2(c,s), dimana (c,s) merupakan hasil dari dekomposisi

transformasi wavelet metode haar, Ea adalah hasil fitur energi subband

approksimasi, Eh adalah hasil fitur energi subband horisontal setiap level, Ev

adalah hasil fitur energi subband vertikal setiap level dan Ed adalah fitur energi

subband diagonal setiap level. Untuk fitur koefisien didapatkan dari toolbox

Matlab dengan sintaks sebagai berikut:

[chd2,cvd2,cdd2] = detcoef2 ('all',c,s,N), dimana ‘all’ merupakan perintah

untuk menampilkan nilai fitur koefisien pada setiap subband, (c,s) adaah hasil

dari dekomposisi transformasi wavelet metode haar, N adalah nilai level yang

digunakan, dalam penelitian ini digunakan level 1 sampai dengan 7 dan

[chd2,cvd2,cdd2] merupakan hasil dari fitur koefisien masing-masing pada

subband horisontal, vertikal, diagonal. Dari hasil fitur koefisien dari masing-



Tri Deviasari Wulan

38

masing subband dihitung nilai mean dan standar deviasi. Ukuran citra yang

dihasilkan dari ekstraksi fitur menggunakan transformasi wavelet ini adalah

1x66 pixel.

d. Normalisasi Citra

Proses normalisasi citra digunakan untuk mengubah citra menjadi matriks

biner dengan range 0 dan 1.

4 Mengimplementasikan model jaringan syaraf Backpropagation pada

pendeteksian pola citra kanker paru-paru hasil foto rontgen.

Pada tahapan ini akan dilakukan proses training dan testing yang

ditunjukkan pada Gambar 3.3 dan Gambar 3.4. Langkah-langkah jaringan saraf

tiruan backpropagation adalah sebagai berikut :

Langkah 0 : Penginisialan bobot dan bias.

Nilai bobot dan bias dapat diset secara acak, biasanya

disekitar angka (0 dan 1 atau –1 (bias positif atau

negatif)).

Langkah 1 : Bila pada stopping condition nilai yang didapat masih

belum sesuai seperti yang diharapkan, maka ditempuh

langkah 2 sampai 9.

Langkah 2 : Pada setiap data training, ditempuh langkah 3 sampai 8.

Umpan maju ( Feed forward )

Langkah 3 : Masing-masing unit input n),=,i(X i 1,2,.. menerima

sinyal masukan xi . Sinyal masukan xi dikirim ke



Tri Deviasari Wulan

39

seluruh unit hidden. Masukan xi yang dipakai adalah

input training data yang sudah melalui penyekalaan.

Nilai tertinggi dan terendah dari input yang dipakai

dalam sistem kemudian dicari. Skala yang digunakan

disesuaikan dengan fungsi aktivasinya. Bila

menggunakan binary signoid dengan harga terendah = 0

dan harga tertinggi = 1, nilai input terendah juga

dianggap = 0 dan nilai tertinggi dianggap = 1. Nilai-nilai

diantaranya bervariasi antara 0 dan 1. Sedangkan bila

menggunakan bipolar signoid, range nilainya juga

bervariasi mulai –1 sampai dengan 1.

Langkah 4 : Masing-masing unit hidden p),=j,(Z j 1,2,... merupakan

penjumlahan sinyal-sinyal input yang telah diberi bobot

beserta biasnya, dengan persamaan :

n

=iiji0jjin VX+V=Z

1 …………………………. ( 3.1 )

Untuk menghitung nilai sinyal output dari unit hidden,

digunakan fungsi aktivasi yang sudah dipilih, dengan

persamaan :

)f(Z=Zjinj ………………………..……….. ( 3.2 )

Kemudian sinyal output dari unit hidden dikirim ke

setiap unit output.



Tri Deviasari Wulan

40

Langkah 5 : Masing-masing unit output m),=k,(Yk 1,2,... merupakan

penjumlahan sinyal-sinyal input yang telah diberi bobot

beserta biasnya, dengan persamaan :

p

=jjkj0kkin WZ+W=Y

1

..................................... ( 3.3 ) Y ink=W0k∑

j=1

p

Z j W jk …………..……………………. ( 2 - 3 )

Untuk menghitung nilai sinyal output dari unit output,

digunakan fungsi aktivasi yang sudah dipilih, dengan

persamaan :

)f(Y=Ykink ………….………………...…... ( 3. 4 )

Propagasi error ( backpropagation of error )

Langkah 6 : Masing-masing unit output m),=k,(Yk 1,2,... menerima

suatu target pattern ( output yang diinginkan ) sesuai

dengan input training pattern untuk menghitung besar

error antara target dengan output, dengan persamaan :

)(Y)f'Y(t=δkinkkk …………………... ......... ( 3. 5 )

Seperti input training data, output training data )(tk juga

melalui penyekalaan sesuai dengan fungsi aktivasi yang

digunakan.

Faktor δ k berfungsi untuk menghitung koreksi error

)(ΔΔ jk yang akan dipakai dalam pembaharuan nilai

W jk .

ΔW jk =α δk Z j ………………………. ........... ( 3. 6 )



Tri Deviasari Wulan

41

Koreksi bias )(ΔΔ 0k yang akan dipakai dalam

pembaharuan nilai W 0k , juga dihitung.

ΔW0k =α δ k .…….…………………… ........... ( 3. 7 )

Faktor δ k kemudian dikirim ke layer pada langkah 7.

Langkah 7 : Input delta ( dari layer pada langkah 6 ) yang diberi

bobot, dijumlahkan pada masing-masing unit hidden

p),=j,(Z j 1,2,... .

δ in j= ∑

k=1

m

δ k W jk …………………...… ( 3 .8 )

Agar dapat menghasilkan faktor koreksi error j , hasil

dari persamaan ( 3 – 8 ) dikalikan dengan turunan fungsi

aktivasi yang digunakan.

)(Z)f'(δ=δjinjinj ……………………... ......... ( 3. 9 )

faktor δ j digunakan menghitung koreksi error )(ΔΔij

yang akan dipakai pada pembaharuan nilai V ij , dengan :

ΔVij =α δ j Xi …………………......…… ( 3. 10 )

Koreksi bias )(ΔΔ0j yang akan dipakai pada

pembaharuan V 0j , juga dihitung, dengan :

ΔV0j =α δ j ..................................................... ( 3 . 11 )



Tri Deviasari Wulan

42

Pembaharuan bobot ( adjustment ) dan bias.

Langkah 8 : Masing-masing unit output m),=k,(Yk 1,2,... akan dipakai

pada pembaharuan nilai bias dan bobot dari setiap unit

hidden .0,1,... p),=(j

jkjkjk ΔW+(lama)W=(baru)W ……… ........... ( 3 . 12 )

Masing-masing unit hidden p),=j,(Z j 1,2,... juga akan

dipakai pada pembaharuan nilai bias dan bobot dari

setiap unit input n),=(i 0,1,...

ijijij ΔV+(lama)V=(baru)V ............................. ( 3 .13 )

Langkah 9 : Pemeriksaan stop condition.

Bila stop condition dapat dipenuhi, pelatihan Jaringan Syaraf Tiruan dapat dihentikan.

Input set training

Inisialisasi bias dan bobot

Input Parameter

Uji Stopping Condition

Start

Berhenti

Proses Umpan Maju (Feedback)

Proses Propagasi Eror (Backpropagation of eror)

Proses pembaharuan (update) bias dan bobot

Endya

Tidak

Gambar 3.3 Flowchart Algoritma training data



Tri Deviasari Wulan

43

Proses training dimulai dengan membaca data input, bobot awal, parameter

training (learning rate, maksimum epoch, target error), dan target output.

Kemudian dilanjutkan dengan proses feedforward dan backpropagation. Proses

feedforward dimulai dari pembacaan bobot awal dan pembacaan nilai input yang

diteruskan ke lapisan hidden hingga sampai pada lapisan output . Jika nilai error

masih lebih besar dari terget error, maka proses feedforward dilanjutkan ke proses

backpropagation. Proses ini bertujuan untuk memperkecil nilai error dengan

memperbaiki nilai bobot pada setiap lapisan. Proses feedforward dan

backpropagation berlangsung berulang-ulang bingga tercapai tujuan training,

yaitu jumlah epoch (jumlah perulangan proses feedforward dan backpropagation)

lebih besar atau sama dengan maksimum epoch, atau nilai MSE lebih kecil atau

sama dengan target error. Selain itu, dalam jaringan saraf tiruan metode

backpropagation digunakan fungsi aktivasi yang berfungsi untuk menentukan

keluaran dari suatu neuron atau jaringan. Fungsi aktivasi yang digunakan dalam

penelitian ini adalah fungsi sigmoid. Hal ini dikarenakan nilai dari fungsi sigmoid

terletak 0 dan 1 serta dapat diturunkan secara mudah(Siang, 2005).

Data yang digunakan dalam proses training ini adalah sebanyak 60 data

yang meliputi 20 data thorax paru normal, 20 data thorax paru kanker paru-paru

dan 20 data thorax paru yang menderita penyakit paru lain. Data tersebut akan

mengalami proses pengolahan citra kemudian akan didapatkan fitur citra berupa

fitur energi ,koefisien,mean, dan standar deviasi. Proses training data

menggunakan learning rate sebesar 0,1 dan target eror sebesar 0,001 kemudian

dilakukan variasi jumlah epoh dan hidden layer untuk mencari arsitektur jaringan



Tri Deviasari Wulan

44

metode backpropagation yang optimal. Jumlah epoh divariasi sebesar 500, 1000,

1500, 2000, 2500, 3000, 3500, sedangkan jumlah hidden divariasi sebesar 2, 4, 6,

8, 10, 12. Arsitektur yang optimal ditentukan dari tingkat akurasi dan nilai

performance (MSE) yang didapatkan dari masing-masing variasi.

Pengujian perangkat lunak akan dilakukan dengan metode Jaringan Saraf

Tiruan jenis Feedforward. Nilai bobot jaringan saraf tiruan yang akan digunakan

yaitu nilai bobot pada waktu pembelajaran. Flowchart pengujian data dapat dilihat

pada Gambar 3.4.

Start

Input set training

Inisialisasi bias dan bobot

Input Parameter

Proses Umpanmaju (feedfoward)

end

Gambar 3.4 Flowchart Algoritma testing data

Data yang digunakan pada proses testing sebanyak 15 data yang terdiri dari 5

data thorax paru normal, 5 data thorax paru kanker paru-paru dan 5 data thorax

paru yang menderita penyakit paru lain. Arsitektur jaringan metode

backpropagation adalah learning rate sebesar 0,1 dan target eror sebesar 0,001

serta jumlah epoh dan hidden layer optimal dari hasil training data. Pada proses



Tri Deviasari Wulan

45

testing ini dihasilkan tingkat akurasi sebagai tolok ukur keberhasilan dari

perangkat lunak yang dibuat. Tingkat akurasi dari proses testing ini didapatkan

dari persamaan 3.14

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢 ℎ𝑎𝑛 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 −𝐽𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑠𝑎𝑙𝑎 ℎ

𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢 ℎ𝑎𝑛 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑥 100% ...................(3.14)

5. Rancangan Aplikasi Backpropagation

Pada tahapan ini akan dijelaskan rancangan tampilan interface program. Hal

ini bertujuan untuk memudahkan pengguna menggunakan aplikasi ini.

A. Layar menu utama

File Pengolahan Citra Training Testing Help

Judul Aplikasi

Nama pembuat NIM

Gambar

Nama Prodi

Nama Fakultas

Nama Universitas Gambar 3.5 Rancangan Layar Menu Utama



Tri Deviasari Wulan

46

Rancangan layar utama pada Gambar 3.5 merupakan layar utama saat

program dijalankan. Pada rancangan layar utama ini akan diberikan beberapa

menu bar antara lain: file, pengolahan citra, training, testing dan help.

B. Layar menu training

Gambar 3.6 Rancangan Layar Menu Training

Rancangan layar menu training pada Gambar 3.6 digunakan apabila

pengguna ingin mengetahui proses training yang dilakukan. Pada layar menu ini

terdapat inputan yang terdiri dari edittext1 untuk menuliskan jumlah epoh dan

edittext2 untuk menuliskan jumlah hidden layer yang akan digunakan. Sedangkan

pada outputan terdapat edittext3 untuk menampilkan hasil MSE, edittext4 untuk

menampilkan jumlah epoh yang tercapai. Dalam layar ini juga akan ditampilakn

grafik antara jumlah epoh pada axis1 dan MSE serta bobot baru yang dihasilkan

oleh jaringan pada axis2.

C. Layar menu testing

Layar menu testing seperti pada Gambar 3.6 dirancang untuk memudahkan

pengguna untuk mendiagnosa. Dari hasil pengujian ini data baru dianalisa dan

Nama Modul

Epoh

Axes1 Axes2

Hidden Layer

Edit text1

Edit text2

Edit text3

Edit text4

Pushbutton1

Pushbutton2

Pushbutton3 Pushbutton4

Epoh

Hidden Layer



Tri Deviasari Wulan

47

didiagnosa untuk mengetahui kondisi paru. Pada layar ini juga terdapat hasil

pengolahan citra yang akan dideteksi.

Gambar 3.7 Rancangan Layar Menu Testing

Dalam layar ini terdapat beberapa UI Control yaitu pushbutton1 digunakan

untuk mengambil citra yang akan dideteksi yang ditampilkan pada axis1 untuk

citra asli, kemudian direktory dari citra ditampilkan pada edittext1 ,pushbutton2

digunakan untuk memproses pengolah citra, pushbutton3 digunakan untuk

mendeteksi data citra baru yang hasilnya ditampilkan pada edittext2, pushbutton4

digunakan untuk mereset ulang citra yang akan digunakan, dan pushbutton5

digunakan untuk keluar dari layar menu ini. Hasil pengolahan citra ditampilkan

pada axis2 untuk citra hasil thresholding, axis3 untuk citra hasil filter median,

axis4 untuk citra hasil BW Labelling, dan table1 untuk menampilkan matrik hasil

ekstraksi fitur menggunakan transformasi wavelet haar.

Nama Modul

Pushbotton1

Pushbotton2

edittext1

Axes2

Axes3

Axes4

Table 1

Hasil Edittext2

Pushbotton4 Pushbotton5

Axes1

Pushbotton3



Tri Deviasari Wulan

48

D. Layar menu help

Gambar 3.8 Rancangan Layar Menu Help

Layar menu help merupakan rancangan keterangan dari aplikasi ini.

Keterangan tersebut menjelaskan kegunaan dan cara penggunaan dari aplikasi ini

yang akan ditampilkan pada static.text1. Pushbutton1 digunakan untuk keluar

dari layar menu ini.

Nama Modul

Static.text1

Pushbotton1



Tri Deviasari Wulan

49

BAB IV

HASIL DAN PEMBAHASAN

Dalam bab ini akan menjelaskan tentang bagaimana hasil dan pembahasan

dari metode-metode yang telah dilakukan pada penelitian ini.

4.1 Tampilan Aplikasi

Aplikasi X-Ray ini merupakan aplikasi yang hanya digunakan untuk

mendiagnosis kondisi paru-paru dari hasil foto rontgen thorak paru-paru. Hasil

keluaran dari aplikasi ini berupa keabnormalan dari paru-paru yaitu normal,

kanker paru-paru dan penyakit paru lain. Berikut ini adalah layar dari masing-

masing menu yang ada pada aplikasi ini :

1. Layar Utama

Gambar 4.1 Layar Utama Aplikasi X-Ray

Layar utama pada Gambar 4.1 merupakan layar awal saat program pertama

kali dijalankan. Pada layar utama terdiri dari submenu Training, Testing dan help

yang berfungsi untuk memudahkan pengguna dalam mengoperasikan aplikasi ini.



Tri Deviasari Wulan

50

2. Layar Menu Training

Gambar 4.2 Layar Menu Training

Layar menu training pada Gambar 4.2 terdiri dari inputan yang berupa variasi

jumlah epoh dan hidden layer yang dapat diisi oleh pengguna sesuai dengan

kebutuhan, output berupa jumlah epoh dan MSE yang dihasilkan dari proses

training. Selain itu terdapat kolom untuk menampilkan nilai bobot yang

didapatkan serta grafik antara jumlah epoh dan MSE. Nilai dari bobot tersebut

dapat simpan untuk digunakan sebagai nilai bobot pada proses testing dengan

menekan tombol simpan.

3. Layar Menu Testing

Layar menu testing atau pengujian pada Gambar 4.3 berguna untuk

pengguna mendeteksi hasil foto rontgen thorak paru-paru dan hasil dari

pengolahan citra serta hasil ekstraksi fitur yang dijasikan masukan pada jaringan

saraf tiruan metode backpropagation. Dari hasil pengujian ini dapat diketahui



Tri Deviasari Wulan

51

hasil citra tersebut masuk kedalam kelompok normal, kanker paru-paru atau

penyakit paru lain.

Gambar 4.3 Layar Menu Testing (Pengujian)

Cara penggunaan dari layar menu testing ini adalah menampilkan citra yang

akan dideteksi dengan menekan tombol browse dan juga akan ditampilkan

direktori dari citra tersebut. Tombol proses citra berfungsi untuk melakukan

proses pengolahan citra yang meliputi thresholding, filter median, BW Labelling

dan proses ekstraksi ciri menggunakan transformasi wavelet haar yang

ditampilkan dalam bentuk matriks angka. Hasil deteksi dari citra tersebut dapat

diketahui dengan menekan tombol deteksi. Tombol reset digunakan untuk

menghapus citra yang telah dideteksi dan tombol keluar digunakan untuk keluar

dari layar menu ini.



Tri Deviasari Wulan

52

4. Layar Menu Help

Gambar 4.4 Rancangan Layar Menu Help

Layar menu pada Gambar 4.4 menjelaskan tata cara penggunaan dari

aplikasi ini,sehingga dapat memudahkan pengguna dalam menjalankan aplikasi

ini.

4.2 Pengolahan Citra

Pada tahap ini citra masukan berupa citra hasil foto rontgen thorak paru

bagian depan dengan format bitmap (.bmp) sebanyak 75 data yang terdiri dari 60

data latih yaitu 20 data normal, 20 data kanker paru dan 20 data penyakit lain

serta 15 data uji. Data hasil foto rontgen yang diolah menggunakan metode

pengolahan citra disajikan pada Gambar 4.5. Semua data tersebut akan mengalami

proses pengolahan citra sebelum dimasukkan dalam sistem jaringan saraf tiruan

backpropagation. Proses pengolahan citra dilakukan melalui 3 tahap yaitu

perbaikan kualitas citra atau preprosesiing yang meliputi cropping, resizing,

thresholding, filter median dan BW Labelling untuk tahap pertama. Tahap kedua



Tri Deviasari Wulan

53

dilakukan ekstraksi fitur menggunakan transformasi wavelet haar dan tahap

ketiga adalah normalisasi.

(a) (b) (c)

Gambar 4.5 Contoh Data Paru (a) Normal (b) Kanker Paru-Paru (c) Penyakit Paru Lain

4.1.1 Perbaikan Kualitas Citra

Perbaikan kualitas citra atau biasa disebut teknik preprosessing merupakan

tahapan awal pengolahan suatu citra. Pada penelitian ini preprosessing terdiri dari

cropping, resizing, thresholding, filter median dan BW Labelling transformasi

Tahap ini digunakan untuk memperbaiki kualitas citra sehingga dapat

memudahkan dalam tahap selanjutnya. Berikut ini akan dijelaskan lebih detail

dari tahapan preprosessing tersebut :

1. Cropping dan Resizing

Pada tahapan ini citra yang semula berukuran 2010x2010 piksel dipotong

pada bagian daerah paru dengan cara manual yaitu menggunakan photoshop. Hal

ini bertujuan untuk memudahkan dalam proses preprosessing ini dan untuk

memfokuskan daerah paru yang akan dideteksi.. Proses selanjutnya adalah resizing

untuk menyamakan ukuran citra setelah proses cropping, sehingga ukuran citra

diatur menjadi berdimensi 320x320 piksel.



Tri Deviasari Wulan

54

2. Thresholding

Proses thresholding ini digunakan untuk mengubah citra masukan menjadi

citra biner berdasarkan pada nilai intensitas dari citra. Pada penelitian ini

digunakan fungsi graythresh yang terdapat pada toolbox Matlab, seperti yang

telah dijelaskan sebelumnya pada halaman .Nilai threshold yang diperoleh

digunakan sebagai acuan untuk mengkonversi citra ke dalam citra black and

white, artinya jika nilai piksel dari citra kurang dari nilai treshold akan diubah

nilainya menjadi 0, sedangkan jika nilai piksel dari citra lebih dari nilai threshold

akan diubah menjadi 1. Selain itu, proses thresholding ini juga berfungsi untuk

menghilangkan background dari citra yang tidak digunakan. Hasil dari proses

thresholding pada citra foto rontgen ditunjukkan pada Gambar 4.6.

(a)

(b)



Tri Deviasari Wulan

55

(c)

Gambar 4.6 Data Citra Hasil Thresholding (a) Normal, (b) Kanker Paru-paru, (c) Penyakit Paru Lain

3. Filter Median

Filter median ini digunakan untuk menghilangkan noise-noise kecil dari

hasil thresholding. Pada proses ini digunakan kernel atau koefisien filter 9x9.

Nilai dari masing-masing pixel pada citra yang bertetanggaan akan diurutkan dan

ditentukan nilai mediannya. Pada Gambar 4.7 dapat dilihat citra hasil filter

median memiliki tekstur yang lebih halus dibandingkan sebelum dilakukan proses

filtering.

(a) (b) (c)

Gambar 4.7 Citra Hasil Filter Median (a) Normal, (b) Kanker Paru-Paru, (c) Penyakit Paru Lain

4. BW Labelling

Proses ini berfungsi untuk menandai objek-objek yang ada pada citra yang

memiliki intensitas hampir sama atau mirip. Hasil proses BW Labelling dari citra

hasil foto rontgen tidak berbeda dari hasil filter median. Hal ini dikarenakan

objek-objek pada citra seperti jaringan lain dan kanker memiliki nilai intensitas



Tri Deviasari Wulan

56

yang hampir sama sehingga dianggap sebagai satu objek, sedangkan objek lain

seperti paru-paru memiliki nilai intensitas yang sangat berbeda sehingga dianggap

sebagai objek yang berbeda. Pada Gambar 4.8 hasil BW Labelling ditunjukkan

dengan warna yang berbeda sehingga lebih mudah dalam pengamatan visual.

Warna putih menunjukkan daerah paru sedangkan warna biru menunjukkan

jaringan selain paru.

(a) (b) (c)

Gambar 4.4 Citra Hasil BW Labelling (a) Normal, (b) Kanker Paru-Paru, (c) Penyakit Paru Lain

4.1.2 Transformasi Wavelet Haar

Transformasi wavelet haar digunakan untuk proses ekstraksi ciri. Proses ini

bertujuan untuk mendapatkan karakteristik fitur dari citra foto rontgen paru-paru.

Citra yang menjadi masukan adalah citra dari hasil preprosessing. Terdapat dua

tahap dalam ekstraksi fitur menggunakan wavelet haar tersebut.

Tahap pertama adalah tahap pendekomposisian citra menggunakan wavelet

haar sampai tujuh level dekomposisi, seperti pada Gambar 4.9. Tahap kedua

adalah mencari fitur citra yang digunakan yaitu energi, nilai koefisien wavelet,

rata-rata (mean) dan standar deviasi dari masing-masing subband dalam setiap

level dekomposisi.



Tri Deviasari Wulan

57

Gambar 4.9 Proses Dekomposisi Level Tujuh menggunakan Wavelet Haar

Dari proses ekstraksi fitur ini didapatkan vektor ciri atau fitur transformasi

wavelet haar yang berukuran 1x66 piksel yang akan dijadikan masukan pada

jaringan saraf tiruan backpropagation. Hasil vektor ciri yang ditunjukkan pada

Gambar 4.10 terdiri dari fitur energi dan fitur koefisien. Fitur energi meliputi Ea

yaitu energi dari subband aproksimasi, Eh yaitu energi dari subband horisontal

yang berjumlah 7 energi dari masing-masing level, Ev yaitu energi dari subband

vertikal yang berjumlah 7 energi dari masing-masing level, Ed yaitu energi dari

subband horisontal yang berjumlah 7 energi dari masing-masing level. Fitur

koefisien dihitung pada masing-masing subband yaitu ch yang merupakan nilai

koefisien dari subband horisontal, cv merupakan nilai koefisien dari subband

vertikal dan cd merupakan nilai koefisien dari subband diagonal, dari masing-

masing subband tersebut dicari nilai mean dan standar deviasi pada setiap level

sehingga didapatkan ME11 sampai ME73 dan ST11 sampai ST73. Selain itu juga

dihitung fitur koefisien pada subband aproksimasi, kemudian dicari nilai mean

dan standar deviasi yaitu MEa dan STa. Contoh matriks hasil vektor ciri citra dari

ekstraksi fitur ini ditunjukkan pada Gambar 4.12.



Tri Deviasari Wulan

58

Gambar 4.10 Hasil Vektor Ciri atau Fitur Citra

Gambar 4.12 Contoh Matriks Hasil Vektor Ciri Citra

4.3 Jaringan Saraf Tiruan Backpropagation

Jaringan saraf tiruan ini digunakan untuk proses pengklasifikasian data yang

diperoleh dari pengolahan citra sebelumnya. Proses ini terbagi menjadi dua tahap

yaitu tahap training data dan tahap pengujian terhadap data testing. Sebelum

dilakukan normalisasi dengan penskalaan pada input dan target sedemikian

hingga data-datanya akan terletak pada range [-1 1].

4.3.1 Pelatihan Data

Tahap pertama adalah tahap pelatihan dari data fitur yang telah didapatkan

dari proses ekstraksi fitur menggunakan wavelet haar yaitu sebanyak 60 data yang

terdiri dari 20 data normal, 20 data kanker paru-paru dan 20 data penyakit lain.

Dalam tahap ini memerlukan beberapa pengaturan parameter dalam pembuatan



Tri Deviasari Wulan

59

sebuah jaringan seperti jumlah hidden layer, jumlah epoh, nilai learning rate dan

momentum. Pada penelitian ini dilakukan variasi jumlah hidden layer dan jumlah

epoh untuk mendapatkan jaringan saraf tiruan yang terbaik. Jumlah variasi hidden

layer yang akan dilakukan ujicoba antara lain 2, 4, 6, 8, 10, 12 Sedangkan jumlah

variasi epoh yang akan dilakukan uji coba yaitu 500 sampai dengan 3500 epoh.

4.3.1.1 Ujicoba dengan Jumlah hidden layer 2

Uji coba hidden layer sebanyak 2 dilakukan memvariasi jumlah epoh yaitu

500-3500. Pada Gambar 4.13 menunjukkan grafik antara performance (MSE) dan

variasi jumlah epoh dengan hidden layer sebanyak 2 dari hasil pelatihan data.

Gambar 4.13 Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan

Hidden Layer sebanyak 2

Grafik pada Gambar 4.13 menunjukkan semakin banyak jumlah epoh

maka nilai performance (MSE) semakin menurun, sedangkan tingkat akurasi yang

ditunjukkan pada Gambar 4.14 pada setiap variasi jumlah epoh konstan (sama)

yaitu 98,33%. Tingkat akurasi yang dihasilkan tersebut tersebut sistem belum

berhasil mengenali seluruh pola pelatihan yang digunakan dan hasil performance

(MSE) belum mencapai target eror yang ditentukan yaitu 0,001. Pada Gambar

4.15 menunjukkan grafik hasil training data antara MSE dengan jumlah epoh



Tri Deviasari Wulan

60

1000 dan hidden layer 2 . Grafik tersebut adalah contoh hasil keluaran dari sistem

yang dibuat.

Gambar 4.14 Grafik antara Tingkat Akurasi dan Variasi Jumlah Epoh dengan


Gambar 4.15 Grafik antara MSE dan Jumlah Epoh dari Variasi Hidden = 2 serta

Epoh = 1000







Tri Deviasari Wulan

61





ditunjukkan pada Gambar 4.17 pada setiap variasi jumlah epoh mengalami

penurunan kemudian konstan (sama). Tingkat akurasi yang dihasilkan tersebut

sistem belum berhasil mengenali seluruh pola pelatihan yang digunakan dan hasil

performance (MSE) belum mencapai target eror yang ditentukan yaitu 0,001.

Pada Gambar 4.18 menunjukkan grafik hasil training data antara MSE dengan

jumlah epoh 2000 dan hidden layer 4 . Grafik tersebut adalah contoh hasil

keluaran dari sistem yang dibuat.





Tri Deviasari Wulan

62


Epoh = 2000





Gambar 4.18 Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Hidden Layer sebanyak 6



ditunjukkan pada Gambar 4.19 pada setiap variasi jumlah epoh mengalami

kenaikan kemudian konstan (sama). Tingkat akurasi yang dihasilkan tersebut



Tri Deviasari Wulan

63

sistem berhasil mengenali seluruh pola pelatihan pada jumlah epoh 1000-3500,

sedangkan hasil performance (MSE) belum mencapai target eror yang ditentukan

yaitu 0,001. Pada Gambar 4.20 menunjukkan grafik hasil training data antara

MSE dengan jumlah epoh 1000 dan hidden layer 6 . Grafik tersebut adalah contoh

hasil keluaran dari sistem yang dibuat.




Epoh = 1000



Tri Deviasari Wulan

64








maka nilai performance (MSE) semakin menurun, tetapi belum mencapai target

eror yang ditentukan yaitu 0,001. Nilai performance yang dihasilkan dari jumlah

epoh 3500 sebesar 0,004 jadi target eror yang diinginkan masih belum dicapai.



Tri Deviasari Wulan

65

Tingkat akurasi yang ditunjukkan pada Gambar 4.22 pada setiap variasi jumlah

epoh konstan (sama) kemudian mengalami kenaikan, dari tingkat akurasi yang

dihasilkan tersebut sistem berhasil mengenali seluruh pola pelatihan pada jumlah

epoh 3500. Pada Gambar 4.23 menunjukkan grafik hasil training data antara MSE

dengan jumlah epoh 2500 dan hidden layer 8 . Grafik tersebut adalah contoh hasil

keluaran dari sistem yang dibuat.


Hidden Layer sebanyak8


Epoh = 2500



Tri Deviasari Wulan

66


Uji coba hidden layer sebanyak 10 dilakukan memvariasi jumlah epoh

yaitu 500-3500. Pada Gambar 4.24 menunjukkan grafik antara performance

(MSE) dan variasi jumlah epoh dengan hidden layer sebanyak 10 dari hasil

pelatihan data.






epoh 3000 dan 3500 sebesar 0,003 , nilai ini telah mendekati target eror yang

ditentukan meskipun belum mencapai nilai target yang sebenarnya. Tingkat

akurasi yang ditunjukkan pada Gambar 4.25 pada setiap variasi jumlah epoh

konstan (sama) yaitu 100% pada seluruh variasi epoh 500-3500. Pada Gambar

4.26 menunjukkan grafik hasil training data antara MSE dengan jumlah epoh

1500 dan hidden layer 10. Grafik tersebut adalah contoh hasil keluaran dari sistem

yang dibuat.



Tri Deviasari Wulan

67




Epoh = 1500


Uji coba hidden layer sebanyak 12 dilakukan memvariasi jumlah epoh

yaitu 500-3500. Pada Gambar 4.27 menunjukkan grafik antara performance

(MSE) dan variasi jumlah epoh dengan hidden layer sebanyak 12 dari hasil

pelatihan data.



Tri Deviasari Wulan

68






epoh 3500 sebesar 0,006 jadi target eror yang diinginkan masih belum dicapai.

Tingkat akurasi yang ditunjukkan pada Gambar 4.28 pada setiap variasi jumlah

epoh mengalami penurunan dari tingkat akurasi 100% pada epoh 500 menjadi

sebesar 98,33% pada epoh 1000 dan 1500 kemudian konstan (sama) yaitu 100%

pada epoh 2000-3500. Pada Gambar 4.29 menunjukkan grafik hasil training data

antara MSE dengan jumlah epoh 2500 dan hidden layer 12. Grafik tersebut adalah

contoh hasil keluaran dari sistem yang dibuat.



Tri Deviasari Wulan

69



Gambar 4.29 Grafik antara MSE dan Jumlah Epoh dari Variasi Hidden = 12

serta Epoh = 2500

Dari ujicoba pemilihan parameter dengan memvariasi hidden layer dan

jumlah epoh didapatkan hasil performance (MSE) yang paling mendekati target

eror 0,001 adalah pada jumlah hidden layer 10 yang memiliki nilai performance

(MSE) sebesar 0,003 pada epoh 3000 seperti pada grafik Gambar 4.30 dan

tingkat akurasi sebesar 100% pada seluruh variasi epoh, sehingga dalam

penelitian ini memakai 10 hidden layer, 3000 epoh, learning rate 0,1 sebagai



Tri Deviasari Wulan

70

arsitektur jaringan untuk proses training dan proses pengujian data testing

selanjutnya.

Gambar 4.30 Grafik antara Performance (MSE) dan Variasi Jumlah Epoh dengan Seluruh Variasi Hidden Layer (2-12)

4.2.2 Pengujian Data Testing

Pengujian data testing menggunakan arsitekstur jaringan saraf tiruan

backpropagation yang telah dipilih dari proses training. Pada tahapan ini

digunakan 15 data testing yang terdiri dari 5 data normal, 5 data kanker paru-paru

dan 5 data penyakit paru lain. Proses pengujian data ini dilakukan dengan

membandingkan hasil dari perangkat lunak yang telah dibuat dengan hasil deteksi

dari peneliti sebelumnya yang dijadikan sebagai referensi, kemudian dari

perbandingan tersebut akan diketahui apakah data tersebut sudah sesuai dengan

0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0,45

0,5

0,55

0,6

0,65

0,7

0,75

0,8

0,85

0 1000 2000 3000 4000

Per

form

ance

(MSE

)

Jumlah Epoh

2 Hidden Layer

4 Hidden Layer

6 Hidden Layer

8 Hidden Layer

10 Hidden Layer

12 Hidden Layer



Tri Deviasari Wulan

71

referensi atau tidak. Pada proses pengujian tersebut didapatkan nilai akurasi

sebesar 86,67 % dengan parameter jaringan yang digunakan yaitu 10 hidden

layer, 3000 epoh, learning rate 0,1. Hasil dari proses pengujian data testing dapat

dilihat pada Tabel 4.1 dengan nilai 1 untuk kondisi normal, nilai 0 untuk kondisi

kanker paru-paru dan nilai -1 untuk kondisi penyakit paru lain.

Tabel 4.1 Hasil Pengujian Data Testing

Masukan Data Hasil Target Kesimpulan 1 1 1 Benar 2 1 1 Benar 3 1 1 Benar 4 1 1 Benar 5 1 1 Benar 6 0 0 Benar 7 0 0 Benar 8 1 0 Salah 9 0 0 Benar 10 1 0 Salah 11 -1 -1 Benar 12 -1 -1 Benar 13 -1 -1 Benar 14 -1 -1 Benar 15 -1 -1 Benar

Tingkat akurasi perangkat lunak yang telah dibuat sebesar 86,67 % masih

lebih rendah dibandingkan dengan tingkat akurasi dari penelitian Saksono et al

(2010) yang menggunakan linear discriminant analysis (LDA) untuk

mengklasifikasi kanker paru-paru dari citra foto rontgen yaitu sebesar 95%. Hal

ini dikarenakan LDA memiliki keunggulan dalam mereduksi dimensi citra dengan

mempertahankan informasi dan karakteristik dari citra tersebut serta dapat

mengelompokkan citra dengan kelas yang sama dan membedakan citra dengan



Tri Deviasari Wulan

72

kelas yang berbeda, sedangkan pada backpropagation klasifikasi data didasarkan

pada perbedaan pola pada citra. Selain itu, keterbatasan jumlah citra yang

digunakan juga berpengaruh terhadap tingkat keakurasian perangkat lunak yang

dibuat, karena pada algoritma backpropagation semakin banyak data yang

digunakan akan mempengaruhi tingkat akurasi sistem yang dihasilkan.



Tri Deviasari Wulan

73

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari penelitian ini didapatkan kesimpulan sebagai berikut :

1. Perancangan sistem perangkat lunak menggunakan jaringan saraf tiruan

backpropagation berdasarkan citra foto rontgen dilakukan dengan

mengolah citra menggunakan beberapa metode yaitu thresholding, median

filter, BW Labelling dan transformasi wavelet haar. Ekstraksi fitur citra

paru menggunakan fitur energi dan koefisien wavelet setiap subband yang

kemudian dijadikan masukan jaringan saraf tiruan backpropagation.

2. Parameter yang digunakan untuk proses pelatihan dan pengujian

menggunakan jaringan saraf tiruan backpropagation adalah hidden layer

sebanyak 10, learning rate 0,1 dan target eror 0,001. Hasil pengujian

jaringan saraf tiruan backpropagation dengan menggunakan data baru

diperoleh tingkat akurasi sebesar 86,67 % dalam mendeteksi keabnormalan

dari citra foto rontgen paru.

5.2 Saran

Berikut ini adalah beberapa saran yang dapat digunakan untuk

menyempurnakan aplikasi ini:

1. Dalam proses cropping masih dilakukan secara manual menggunakan

photoshop, sehingga dapat ditambahkan dengan cropping digital .



Tri Deviasari Wulan

74

2. Proses ekstraksi fitur citra dapat dikembangkan dengan menggunakan

metode ekstraksi fitur lain agar jaringan saraf tiruan dapat mendeteksi

dengan lebih akurat.

3. Diagnosa dapat dilanjutkan pada stadium kanker yaitu stadium I, stadiumII,

stadium III dan stadium IV dengan menambah variable ekstraksi fitur yang

digunakan seperti luas dan bentuk dari kanker paru-paru.

4. Data yang digunakan dalam training dan testing jaringan saraf tiruan

sebaiknya diperbanyak sehingga pendeteksian dapat lebih akurat.



Tri Deviasari Wulan

75

DAFTAR PUSTAKA

Abdullah A.A & Shaharum S.M. 2012. Lung Cancer Cell Classification Method Using Artificial Neural Network.Information Engineering Letter.Vol 2.pp 49-58.

Amin Z. 2006. Kanker Paru.Dalam : Sudoyo, A.W.2006. Buku Ajar Ilmu

Penyakit Dalam Edisi IV. Jakarta : Pusat Penerbitan IPD FK UI. Cen Li & Wang Mei. 2008.Application of Hibrid Genetic Algorithm-BP Neural

Network to Diagnosis of Lung Cancer. International Conference on Computer Science and Software Engineering.pp 36-39.

Christine NSS. 2011. Hubungan Merokok dengan Kanker Paru di RSUP Haji

Adam Malik Tahun 2009. Fakultas Kedokteran. Universitas Sumatera Utara : Medan.

Diananda Rama. 2009. Mengenal Seluk Beluk Kanker. Penerbit Kata Hati :

Yogyakarta. Irnawati F.D, Satriasa I, Izzah N.R, Darsana P.A & Fitria Z. 2009. Pesawat Sinar-

X. Sekolah Tinggi Teknologi Nuklir-BATAN : Yogyakarta. Jong Jek Siang. 2004. Jaringan Saraf Tiruan dan Pemogramannya Menggunakan

Matlab. Penerbit Andi : Yogyakarta Kiki & Kusumadewi S. 2004. Jaringan Saraf Tiruan dengan Metode

Backpropagation untuk Mendeteksi Gangguan Psikologi. Jurusan Teknik Informatika. Universitas Islam Indonesia : Yogyakarta.

Lestariningsih Diah. 2010. Evaluasi Penatalaksanaan Mual Muntah Karena

Kemoterapi Pada pasien Kanker Paru-paru di Instalasi Rawat Inap RSUD Dr. Moewardi Surakarta Tahun 2009. Fakultas Farmasi.Universitas Muhammadiyah : Surakarta.

Mohammaddiah Hasdiana & Abdullah A.A. 2010. Development of Celular

Neural Network Algoritm for Detecting Lung Cancer Symptoms.IEEE EMBS Conference on Biomedical Engineering and Science (IECBES). Pp 138-143.

Muhtadan & Harsono Djiwo. 2008. Pengembangan Aplikasi Untuk Perbaikan

Citra Digital Film Radiologi.Sekolah Tinggi Teknologi Nuklir-BATAN: Yogyakarta.



Tri Deviasari Wulan

76

Purnomo Mauridhi Hery & Mutasa Arif. 2011. Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Penerbit Graha Ilmu : Yogyakarta.

Putra Darma. 2010. Pengolahan Citra Digital. Penerbit Andi: Yogyakarta. Puspitaningrum Dyah. 2006. Pengantar Jaringan Saraf Tiruan. Penerbit Andi :

Yogyakarta Prasetyo Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan

Matlab. Penerbit Andi : Yogyakarta Pratapa Suminar. 2004. Prinsip-Prinsip Difraksi Sinar-X. Universitas Gajah Mada

: Yogyakarta. Rinaldi Munir. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Penerbit Informatika : Bandung. Saksono H.T, Rizal Ahmad & Usman Koredianto. 2010. Pendeteksian kanker

Paru-Paru Dengan Menggunakan Transformasi Wavelet dan Metode Linear Discriminant Analysis. Teknologi Elektro. Institute Teknologi Telkom: Bandung

Suyatno Ferry, Istofa & Yuniarsari Lely. 2007. Rekayasa Sistem Pengatur

Parameter Pesawat Sinar-X Diagnostik Berbasis Mikrokontroller Keluarga MCS 51. Pusat Rekayasa Perangkat Nuklir-BATAN. Kawasan Puspitek Serpong : Banten.

Taufik, Syahruddin E, Mulyani S, Chan Y & Zailirin YZ. 2006. Faktor Resiko,

Gejala Klinis dan Diagnosis Kanker paru di Bagian Pulmonologi Fakultas Kedokteran Universitas Andalas-Rumah Sakit Dr. M. Djamil Padang. J Respir Indo Vol 26 No.4.pp 175-179.

Widodo C.E & Adi K. 2003. Peningkatan Kualitas Citra Medik pada Foto

Rontgen Menggunakan Filter Frekuensi Tinggi. Laboratorium Instrumentasi dan Elektronika Jurusan Fisika.Universitas Diponegoro : Semarang.

Wijaya I Gedhe P S & Kanata Bulkis. 2004. Pengenalan Citra Sidik Jari Berbasis

Transformasi Wavelet dan Jaringan Saraf Tiruan. Fakultas Teknik. Universitas Mataram : Mataram

Wilson, L.M & Price, S.A. 2005. Patofiologi Konsep Klinis Proses-Proses

Penyakit Edisi 6. Jakarta : EGC.



Tri Deviasari Wulan

77

Yani Eli. 2005. Pengantar Jaringan Saraf Tiruan. Artikel Kuliah. http: //tirezqiariantoro.files.wordpress.com/2007/05/jaringan_saraf_tiruan.pdf (diakses pada 24 November 2011).



Tri Deviasari Wulan

78

DAFTAR LAMPIRAN

Lampiran 1

Jadwal Kegiatan Penelitian

No Kegiatan Bulan Ke- 1 2 3 4 5 6

1 Pembuatan Proposal 2 Pengumpulan Data 3 Perancangan Software 4 Analisis Data

5 Pembuatan Laporan dan Seminar Hasil



Tri Deviasari Wulan

79

Lampiran 2

Data Testing

Citra Asli Thresholding Filter Median



Tri Deviasari Wulan

80



Tri Deviasari Wulan

81



Tri Deviasari Wulan

82

Lampiran 3

List Program Pengolahan Citra

clear;clc; i=imread('D:\DEVIe\s1nobi\SRIPSI BISMILLAH\database x-

ray\Bandung\data paru\Normal 640x640\1.bmp') % resizing K=imresize(i,0.5,'bicubic'); % figure, imshow(K); % [brs klm]=size(K)

% convert to BW level=graythresh(K) BW=im2bw(K,level); % figure, imshow(BW);

% median fitering md=medfilt2(BW,[9 9]); % figure, imshow(md);

% BW labelling M=bwlabel(md,8); figure, imshow(M);

% wavelet 2D [c,s]=wavedec2(M,7,'haar'); % figure, imshow([c,s]); [brs klm]=size(c); % [c,s]=wavedec2(BW,1,lo_D,Hi_D) [Ea,Eh,Ev,Ed]=wenergy2(c,s); % [Ea,Edetails]=wenergy2(c,s)

[chd2,cvd2,cdd2] = detcoef2('all',c,s,1); [brs klm]=size(chd2); [brs klm]=size(cvd2); [brs klm]=size(cdd2); j=1; for i=1:brs b(1,j:j+(klm-1))=chd2(i,:); c(1,j:j+(klm-1))=cvd2(i,:); d(1,j:j+(klm-1))=cdd2(i,:); j=j+klm; end b; c; d; [brs klm]=size(b); ME11=mean(b) ST11=std(b) [brs klm]=size(c); ME12=mean(c) ST12=std(c) [brs klm]=size(d);



Tri Deviasari Wulan

83

ME13=mean(d) ST13=std(d)

[chd2,cvd2,cdd2] = detcoef2('all',c,s,2); [brs klm]=size(chd2); [brs klm]=size(cvd2); [brs klm]=size(cdd2); j=1; for i=1:brs b(1,j:j+(klm-1))=chd2(i,:); c(1,j:j+(klm-1))=cvd2(i,:); d(1,j:j+(klm-1))=cdd2(i,:); j=j+klm; end b; c; d; [brs klm]=size(b); ME21=mean(b) ST21=std(b) [brs klm]=size(c); ME22=mean(c) ST22=std(c) [brs klm]=size(d); ME23=mean(d) ST23=std(d)


[chd2,cvd2,cdd2] = detcoef2('all',c,s,4); [brs klm]=size(chd2); [brs klm]=size(cvd2); [brs klm]=size(cdd2);



Tri Deviasari Wulan

84

j=1; for i=1:brs b(1,j:j+(klm-1))=chd2(i,:); c(1,j:j+(klm-1))=cvd2(i,:); d(1,j:j+(klm-1))=cdd2(i,:); j=j+klm; end b; c; d; [brs klm]=size(b); ME41=mean(b) ST41=std(b) [brs klm]=size(c); ME42=mean(c) ST42=std(c) [brs klm]=size(d); ME43=mean(d) ST43=std(d)


[chd2,cvd2,cdd2] = detcoef2('all',c,s,6); [brs klm]=size(chd2); [brs klm]=size(cvd2); [brs klm]=size(cdd2); j=1; for i=1:brs b(1,j:j+(klm-1))=chd2(i,:); c(1,j:j+(klm-1))=cvd2(i,:); d(1,j:j+(klm-1))=cdd2(i,:); j=j+klm; end b;



Tri Deviasari Wulan

85

c; d; [brs klm]=size(b); ME61=mean(b) ST61=std(b) [brs klm]=size(c); ME62=mean(c) ST62=std(c) [brs klm]=size(d); ME63=mean(d) ST63=std(d)


%koefisien aproksimasi A=appcoef2(c,s,'haar',7) [brs klm]=size(A) j=1; for i=1:brs Q(1,j:j+(klm-1))=A(i,:); j=j+klm; end Q; [brs klm]=size(Q) MEa=mean(Q) STa=std(Q) % FiturCitra=[Ea Eh Ev Ed ME11 ST11 ME12 ST12 ME13 ST13 ME21 ST21

ME22 ST22 ME23 ST23... ME31 ST31 ME32 ST32 ME33 ST33 ME41 ST41 ME42 ST42 ME43 ST43

ME51 ST51 ME52 ST52 ME53 ST53... ME61 ST61 ME62 ST62 ME63 ST63 ME71 ST71 ME72 ST72 ME73 ST73

MEa STa] % % WV=WV'



Tri Deviasari Wulan

86

Lampiran 4

Tempat Pengambilan Data



Tri Deviasari Wulan

deteksi kanker paru-paru dari citra foto …repository.unair.ac.id/25693/1/wulan, tri.pdf · lembar...

Documents